语音 SNN 的实用贝叶斯推断：不确定性与损失景观平滑化
机器学习
2026-04-13 v1 人工智能
摘要
脉冲神经网络（SNN）因其特定的动力学特性，天然适用于语音处理任务，能够处理时序数据。然而，基于阈值的脉冲生成方式直观上会导致不规则的预测景观。我们探讨了使用对权重进行贝叶斯学习对不规则预测景观的影响。对于 surrogate-gradient SNN，我们还探索了 Improved Variational Online Newton（IVON）方法的应用，这是一种高效的变分方法。对所提出方法的性能在 Heidelberg Digits 和 Speech Commands 数据集上进行评估。我们的假设是，贝叶斯方法将导致更平滑且更规则的预测景观，鉴于确定性预测景观的角度特性。实验评估表明，所提方法在负对数似然和 Brier 分数上均表现出改进。此外，基于权重空间一维切片，所提方法的结果相对于确定性方法更平滑且更规则。
引用
@article{arxiv.2604.08624,
title = {Practical Bayesian Inference for Speech SNNs: Uncertainty and Loss-Landscape Smoothing},
author = {Yesmine Abdennadher and Philip N. Garner},
journal= {arXiv preprint arXiv:2604.08624},
year = {2026}
}