基于睡眠增强式潜在重放的脉冲神经网络在线持续学习
神经与进化计算
2025-10-17 v3 计算机视觉与模式识别
机器学习
摘要
边缘计算场景要求开发硬件高效的在线持续学习算法以适应动态环境。然而，现有算法始终存在高内存开销并偏向最近训练的任务的问题。为解决这些问题，本文提出了一种称为SESLR的新型在线持续学习方法，融合了睡眠增强式潜在重放方案与脉冲神经网络（SNN）。SESLR利用SNN的二进制脉冲特征在单个比特中存储重放特征，从而显著降低内存开销。此外，受生物睡眠-觉醒周期的启发，SESLR引入了噪声增强的睡眠阶段，在该阶段模型仅在受控噪声注入的重放样本上训练，从而有效缓解对新类的分类偏差。在常规（MNIST、CIFAR10）和神形态（NMNIST、CIFAR10-DVS）数据集上的大量实验表明，SESLR的有效性。在Split CIFAR10上，SESLR的平均准确率提高了近30%，而仅使用基线方法的三分之一内存。Split CIFAR10-DVS上，它的准确率提高了约10%，同时将内存开销降低了32倍。这些结果验证了SESLR作为资源受限边缘计算场景下在线持续学习的有前景的解决方案。
引用
@article{arxiv.2507.02901,
title = {Online Continual Learning via Spiking Neural Networks with Sleep Enhanced Latent Replay},
author = {Erliang Lin and Wenbin Luo and Wei Jia and Yu Chen and Shaofu Yang},
journal= {arXiv preprint arXiv:2507.02901},
year = {2025}
}
备注
There are some errors in the data of the paper. It will take some time to conduct additional experiments for adjustment. We hope to temporarily withdraw the preprint to prevent misleading others