超越准确性的脉冲神经网络量化
机器学习
2026-04-17 v1
摘要
量化是脉冲神经网络（SNN）的一个自然补充，通过稀疏、事件驱动的计算减少内存带宽和算术开销，适用于资源受限硬件部署。然而，现有 SNN 量化评估几乎仅关注准确率，忽略了量化网络是否保留其全精度版本的放电行为。在等效准确率下，量化方法、裁剪范围和位宽可产生显著不同的放电分布，这些差异对标准指标而言是不可见的，但在部署中至关重要，因为放电活动决定了有效稀疏性、状态存储和事件处理负载。为捕捉这一差距，我们提出以地毯运输距离（Earth Mover's Distance, EMD）作为放电分布发散的诊断指标，并在在 CIFAR-10 和 CIFAR-100 上训练的 SEW-ResNet 架构上系统性地进行 weight 和膜电压量化。我们发现均匀量化即使在保持准确率时也会引起分布漂移，而 LQ-Net 式学习量化可保持接近全精度基线的放电行为。我们的结果表明，行为保持应被视为准确率的评估标准，EMD 提供了对其进行评估的原则性工具。
关键词
引用
@article{arxiv.2604.14487,
title = {Quantization of Spiking Neural Networks Beyond Accuracy},
author = {Evan Gibson Smith and Jacob Whitehill and Fatemeh Ganji},
journal= {arXiv preprint arXiv:2604.14487},
year = {2026}
}