SPACE：面向脉冲神经网络测试时适应的脉冲感知一致性增强

脉冲神经网络 (Spiking Neural Networks, SNNs) 作为人工神经网络 (Artificial Neural Networks, ANNs) 的生物学可行替代方案，已在能源效率、时序处理和生物学可行性方面展现出优势。然而，SNNs 对分布偏移极其敏感，在实际场景中会显著降低其性能。传统为 ANNs 设计的测试时适应 (Test-Time Adaptation, TTA) 方法往往无法解决 SNNs 独有的计算动力学问题，如稀疏性和时序脉冲行为。为此，我们提出了 SPike-Aware Consistency Enhancement (SPACE)，即第一个为 SNNs 设计的无源数据且单实例的 TTA 方法。SPACE 利用 SNNs 固有的脉冲动力学，通过最大化单个测试样本在增强版本上的基于脉冲行为的局部特征图一致性，实现鲁棒适应，无需源数据。我们在多个数据集上评估了 SPACE。进一步地，SPACE 在 diverse network architectures 方面表现出鲁棒的泛化能力，持续增强 CNN、Transformer 和 ConvLSTM 架构的 SNNs 性能。实验结果表明，SPACE 在保持较低计算成本的同时，优于领先的 ANN 方法，凸显了其在实际场景中对 SNNs 的有效性和鲁棒性。代码将在 https://github.com/ethanxyluo/SPACE 提供。