随机脉冲神经网络是稳定的且频谱简单
机器学习
2025-11-25 v2 机器学习
摘要
脉冲神经网络(SNN)是一种高效计算的有前景的范例，但其理论基础——尤其是关于稳定性和鲁棒性——相较于人工神经网络仍有限。本工作通过布尔函数分析的视角研究离散时间漏积发放(LIF) SNN。我们关注分类任务中的噪声敏感性和稳定性，量化输入扰动如何影响输出。我们的主要结果表明，宽LIF-SNN分类器在平均意义上是稳定的，这一属性通过其傅里叶频谱集中于低频分量的浓度所解释。以此为动机，我们引入简单性频谱的概念，这将简单性形式化为傅里叶频谱集中，并将我们的分析与深度网络中观察到的简单性偏好相联系。在此框架下，我们表明随机LIF-SNN偏向于简单函数。训练网络的实验确认，这些稳定性特性在实践中仍然存在。总体而言，这些结果为SNN的稳定性和鲁棒性特性提供了新的见解。
引用
@article{arxiv.2511.00904,
title = {Random Spiking Neural Networks are Stable and Spectrally Simple},
author = {Ernesto Araya and Massimiliano Datres and Gitta Kutyniok},
journal= {arXiv preprint arXiv:2511.00904},
year = {2025}
}