TIDE：用于稳定时序抑制-兴奋动力学的非对称神经电路
机器学习
2026-05-20 v1
摘要
最近的连续思维机器构架通过神经动力学将内部计算与外部输入解耦，但依赖于多层感知器而缺乏稳定性保证。我们提议使用非对称兴奮-抑制（E-I）网络来建模神经动力学，这类网络可通过网络理论原理实现稳定化，可表述为通过博弈论损失优化的能量基系统。基于这一视角，我们引入Temporal Inhibitory-Excitatory Dynamic Engine（TIDE），一种受神经学启发的构架，通过融合Wilson-Cowan动力学和侧抑制来计算内部表示并实现稳定化。TIDE通过例如使用分层感受野字段，以及强制执行Dale原理以确保实现比例的E-I平衡，从而兼顾生物学真实性，并具备端到端可训练架构。本论文的目标是引入一种新构架，将神经学启发的学习推向前沿。我们提出了收敛性、稳定性和复杂度界限的证明，以及经验消融研究。总体而言，TIDE在各种扰动下均超越CTM，训练时间下降50%以下，在ImageNet上平均top-1准确率提升。
引用
@article{arxiv.2605.19403,
title = {TIDE: Asymmetric Neural Circuits for Stabilized Temporal Inhibitory-Excitatory Dynamics},
author = {Alexander Kyuroson and Denis Kleyko and Marcus Liwicki},
journal= {arXiv preprint arXiv:2605.19403},
year = {2026}
}