即插即用稳态脉冲：SNN训练的零成本加速，跨范式通用
神经与进化计算
2025-12-05 v1
摘要
脉冲神经网络具有事件驱动计算、稀疏激活和硬件效率高等优势，但训练往往收敛缓慢且缺乏稳定性。我们提出自适应稳态脉冲活动调节（Adaptive Homeostatic Spiking Activity Regulation, AHSAR），一种极其简单的即插即用且与训练范式无关的方法，能够在无需改变模型架构、损失函数或梯度的情况下稳定优化并加速收敛。AHSAR不引入任何可训练参数。它在前向传播过程中维护每层的稳态状态，通过有界非线性映射将中心化放电率偏差映射到阈值尺度，使用轻量级跨层扩散以避免剧烈不平衡，并应用跨epoch的慢全局增益，将验证进展与活动能量相结合以调节工作点。计算开销极低。在多种训练方法、不同深度、宽度和时间步长的SNN架构，以及RGB和DVS数据集上，AHSAR一致地改进了强基线方法，并增强了分布外鲁棒性。这些结果表明，将层活动保持在适度范围内是实现可扩展且高效的SNN训练的一个简单而有效的原则。
引用
@article{arxiv.2512.05015,
title = {Plug-and-Play Homeostatic Spark: Zero-Cost Acceleration for SNN Training Across Paradigms},
author = {Rui Chen and Xingyu Chen and Yaoqing Hu and Shihan Kong and Zhiheng Wu and Junzhi Yu},
journal= {arXiv preprint arXiv:2512.05015},
year = {2025}
}
备注
12 pages, 4 figures