用于脉冲神经网络快速局部学习的监督式脉冲一致性依赖可塑性
神经与进化计算
2026-01-14 v1 机器学习
摘要
脉冲时序依赖可塑性 (STDP) 为脉冲神经网络 (SNN) 提供了一种生物学基础的学习规则，但其对精确脉冲时序和成对更新的依赖限制了权重的快速学习。我们引入了脉冲一致性依赖可塑性 (SADP) 的监督扩展，该扩展用群体级一致性指标（如 Cohen's kappa）取代了成对的脉冲时序比较。所提出的学习规则保留了严格的突触局部性，具有线性时间复杂度，并能够在无需反向传播、替代梯度或教师强制的情况下实现高效的监督学习。我们将监督式 SADP 集成到混合 CNN-SNN 架构中，其中卷积编码器提供紧凑的特征表示，并将其转换为泊松脉冲序列，以在 SNN 中进行一致性驱动的学习。在 MNIST、Fashion-MNIST、CIFAR-10 和生物医学图像分类任务上的大量实验表明，该方法具有竞争力的性能和快速的收敛速度。进一步分析表明，在广泛的超参数范围内性能稳定，且与器件启发的突触更新动力学兼容。这些结果共同确立了监督式 SADP 作为脉冲神经网络的一种可扩展、具有生物学基础且与硬件对齐的学习范式。
引用
@article{arxiv.2601.08526,
title = {Supervised Spike Agreement Dependent Plasticity for Fast Local Learning in Spiking Neural Networks},
author = {Gouri Lakshmi S and Athira Chandrasekharan and Harshit Kumar and Muhammed Sahad E and Bikas C Das and Saptarshi Bej},
journal= {arXiv preprint arXiv:2601.08526},
year = {2026}
}