随机特征脉冲神经网络

脉冲神经网络（SNN）作为机器学习（ML）模型近期受到广泛关注，因其相较于传统人工神经网络（ANN）更具潜在的能源效率优势。由于脉冲机制的非可微性和稀疏性，这些模型在基于传播梯度通过脉冲非线性变换的算法中训练难度很大。我们通过将随机特征方法（RFM）的范式从人工神经网络（ANN）适配到脉冲响应模型（SRM）SNN 中来解决此问题。该方法允许在不对脉冲函数梯度进行近似的情况下训练SNN。具体而言，我们提出了一种灵感来自RFM-ANN SWIM 算法的 novel、数据驱动、快速、高性能且可解释的端到端训练SNN 的算法，称为 S-SWIM。我们提供了详尽的理论讨论和补充数值实验，表明 S-SWIM 可作为独立策略在时间序列预测中达到高准确率，亦可作为梯度基于训练的有效初始化策略。额外的消融研究表明，我们的方法优于随机网络权重抽样。