脉冲图卷积网络
机器学习
2022-08-03 v2 人工智能
摘要
图卷积网络（GCNs）凭借在学习图信息方面卓越的表征能力取得了令人印象深刻的性能。然而，GCNs 在深层网络中实现时需要昂贵的计算能力，难以部署在电池供电的设备上。相比之下，脉冲神经网络（SNNs）执行生物保真推理过程，提供了一种高能效的神经架构。在这项工作中，我们提出 SpikingGCN，一个端到端框架，旨在将 GCNs 的嵌入与 SNNs 的生物保真特性相融合。原始图数据基于图卷积的引入被编码为脉冲序列。我们进一步通过结合神经元节点的全连接层来建模生物信息处理。在广泛的场景（例如引文网络、图像图分类和推荐系统）中，我们的实验结果表明所提方法能够取得与最先进方法相竞争的性能。此外，我们展示了在神经形态芯片上的 SpikingGCN 能为图数据分析带来明显的能效优势，这证明了其构建环境友好型机器学习模型的巨大潜力。
引用
@article{arxiv.2205.02767,
title = {Spiking Graph Convolutional Networks},
author = {Zulun Zhu and Jiaying Peng and Jintang Li and Liang Chen and Qi Yu and Siqiang Luo},
journal= {arXiv preprint arXiv:2205.02767},
year = {2022}
}
备注
Accepted by IJCAI 2022; Code available at https://github.com/ZulunZhu/SpikingGCN