SAFA-SNN：稀疏感知的基于事件的少样本类增量学习快速自适应结构脉冲神经网络
机器学习
2026-05-12 v2
摘要
连续学习新类别对于边缘设备至关重要，以保持数据隐私并在动态环境中维持可靠性能。然而，在样本不足的情况下，这一场景尤其具有挑战性，需要进行基于事件的少样本类增量学习（FSCIL）。虽然已有工作探索了基于人工神经网络（ANN）的参数高效 FSCIL 框架，但其部署仍受限于设备资源。脉冲神经网络（SNN）处理时空信息更有效，具有更低的能耗、更大的生物学合理性以及与神经器硬件的兼容性。本文提出一种包含稀疏感知神经动力学和快速自适应结构（SAFA-SNN）的方法，用于基于事件的 FSCIL。通过阈值调节，大多数神经元表现出稳定的脉冲，而其他神经元表现出自适应脉冲。结果是，编码基类知识的突触痕迹自然被保留下来，从而减轻了灾难性遗忘。为应对反向传播中脉冲不可导的挑战，我们采用梯度-free 技术，即零阶优化。此外，类原型可以限制在少样本数据上的过拟合，但会引入偏差。我们通过正交子空间投影增强原型的判别性。在两个标准基准数据集（CIFAR-100 和 Mini-ImageNet）和三个神经器数据集（CIFAR10-DVS、DVS128 Gesture 和 N-Caltech101）上进行的大量实验表明，SAFA-SNN 在基线方法上表现更好，特别是在 Mini-ImageNet 上实现至少 4.01% 的最后增量会话改进，在 CIFAR-100 上实现 20% 的能耗降低。
引用
@article{arxiv.2510.03648,
title = {SAFA-SNN: Sparsity-Aware On-Device Few-Shot Class-Incremental Learning with Fast-Adaptive Structure of Spiking Neural Network},
author = {Huijing Zhang and Muyang Cao and Linshan Jiang and Xin Du and Di Yu and Changze Lv and Shuiguang Deng},
journal= {arXiv preprint arXiv:2510.03648},
year = {2026}
}
备注
Published as a conference paper at ICLR 2026