ParaRevSNN：用于高效训练与推理的并行可逆脉冲神经网络
计算机视觉与模式识别
2025-08-05 v1
摘要
可逆脉冲神经网络通过在反向传播期间重建前向激活值来实现内存高效训练，但由于严格的顺序计算而存在高延迟问题。为克服这一局限性，我们提出了ParaRevSNN，一种并行可逆SNN架构，它在保持可逆性的同时解耦了可逆块之间的顺序依赖。该设计实现了块间并行，在保留可逆性节省内存优势的同时，显著加速了训练和推理。在CIFAR10、CIFAR100、CIFAR10-DVS和DVS128 Gesture上的实验表明，ParaRevSNN的准确率与标准RevSNN相当或更优，同时训练时间最多减少35.2%，推理时间降至18.15%，使其非常适合在资源受限场景中部署。
引用
@article{arxiv.2508.01223,
title = {ParaRevSNN: A Parallel Reversible Spiking Neural Network for Efficient Training and Inference},
author = {Changqing Xu and Guoqing Sun and Yi Liu and Xinfang Liao and Yintang Yang},
journal= {arXiv preprint arXiv:2508.01223},
year = {2025}
}
备注
8 pages, 3 figures, submitted to AAAI 2026