脉冲一致性依赖可塑性：面向脉冲神经网络的可扩展仿生学习范式
神经与进化计算
2025-08-25 v1 机器学习
摘要
我们提出了脉冲一致性依赖可塑性（SADP），一种面向脉冲神经网络（SNNs）的仿生突触学习规则，其依赖于前突触和后突触脉冲序列之间的一致性，而非精确的脉冲对时序。SADP 通过用群体级相关度量（如 Cohen's kappa）替代成对时序更新，推广了经典的脉冲时序依赖可塑性（STDP）。SADP 更新规则具有线性时间复杂度，并支持通过位运算逻辑实现高效硬件实现。在 MNIST 和 Fashion-MNIST 上的实验结果表明，SADP——尤其是结合了我们实验离子型有机忆阻晶体管设备数据导出的样条核——在准确率和运行时间上均优于经典 STDP。我们的框架弥合了生物学合理性与计算可扩展性之间的差距，为神经形态系统提供了可行的学习机制。
引用
@article{arxiv.2508.16216,
title = {Spike Agreement Dependent Plasticity: A scalable Bio-Inspired learning paradigm for Spiking Neural Networks},
author = {Saptarshi Bej and Muhammed Sahad E and Gouri Lakshmi and Harshit Kumar and Pritam Kar and Bikas C Das},
journal= {arXiv preprint arXiv:2508.16216},
year = {2025}
}