稳定脉冲：基于位运算的双一致性优化用于脉冲神经网络
神经与进化计算
2026-03-13 v1 人工智能
摘要
尽管脉冲神经网络(SNN)的时序脉冲动力学能够实现低功耗时序模式捕获，但也带来了固有的一致性问题，严重损害表示性能。本文通过稳定脉冲(Stable Spike)进行双一致性优化以缓解此问题，从而提高SNN的识别性能。通过硬件友好的"AND"位运算，我们高效地将稳定脉冲骨架从多时序脉冲图中解耦，从而捕获关键语义并减少来自变量噪声脉冲的不一致性。进一步，我们将不稳定脉冲图引导收敛到稳定脉冲骨架，从而显著提高跨时序的内在一致性。此外，我们注入感知幅值的脉冲噪声以丰富表示，同时保持一致的语义。SNN被鼓励产生扰动一致的预测，从而促进泛化。广泛的实验在多个架构和数据集上验证了方法的有效性和通用性。特别是，我们的方法在超低延迟下的神经形态目标识别方面取得显著进展，准确率提升最高可达8.33%。这将帮助发掘SNN的功耗和速度潜能。
引用
@article{arxiv.2603.11676,
title = {Stable Spike: Dual Consistency Optimization via Bitwise AND Operations for Spiking Neural Networks},
author = {Yongqi Ding and Kunshan Yang and Linze Li and Yiyang Zhang and Mengmeng Jing and Lin Zuo},
journal= {arXiv preprint arXiv:2603.11676},
year = {2026}
}
备注
Accepted by CVPR 2026