迈向理解泄漏在脉冲神经网络中的效应

脉冲神经网络（SNNs）正被探索用以模拟人脑的惊人能力：其能以噪声脉冲活动鲁棒而高效地学习与计算功能。已有多种脉冲神经元模型被提出以近似生物神经元功能。具有不同生物保真度水平的这些模型常在其内部状态（称为膜电位）中包含一条泄漏路径。尽管泄漏模型被认为更具生物合理性，但从纯计算视角对含泄漏与无泄漏模型进行比较分析值得关注。在本文中，我们研究关于泄漏合理性及使用泄漏行为利弊的问题。实验结果表明，与无泄漏模型相比，泄漏神经元模型提供了改进的鲁棒性与更好的泛化能力。然而，与通常观念相反，泄漏降低了计算的稀疏性。通过频域分析，我们展示了泄漏消除输入中高频分量的效应，从而使SNNs对噪声脉冲输入更具鲁棒性。