阈值调制：面向脉冲神经网络在线测试时适应的技术

最近，脉冲神经网络 (SNN) 在神形芯片上部署，为不同场景的边缘设备提供了高效解决方案。然而，其在部署后适应分布迁移的能力已成为关键挑战。在线测试时适应 (OTTA) 通过使模型无需源数据或标注目标样本即可动态调整到新数据分布，提供了可行的解决方案。尽管如此，现有 OTTA 方法大多针对传统人工神经网络设计，尚不适用于 SNN。为填补这一空白，我们提出一种低功耗、适用于神形芯片的在线测试时适应框架，旨在增强模型在分布迁移下的泛化能力。所提方法称为阈值调制 (TM)，通过受神经动力学启发的归一化，动态调整放电阈值，更适合神形硬件。基准数据集上的实验结果表明，该方法在保持低计算开销的同时，有效提升了 SNN 针对分布迁移的鲁棒性。该方法为 SNN 的在线测试时适应提供了实际方案，为未来神形芯片的设计提供了灵感。演示代码已发布于 github.com/NneurotransmitterR/TM-OTTA-SNN。