理解脉冲神经网络中建模组件的功能作用
神经与进化计算
2025-01-28 v2 人工智能
机器学习
摘要
脉冲神经网络受大脑神经回路启发，在实现高计算效率和生物保真度方面具有前景。然而，由于其建模组件的功能作用尚不明确，优化 SNNs 相当困难。通过设计和评估经典模型的几种变体，我们系统地研究了基于漏电积分触发（LIF）的 SNNs 中关键建模组件（漏电、重置和递归）的功能作用。通过大量实验，我们展示了这些组件如何影响 SNNs 的准确性、泛化性和鲁棒性。具体而言，我们发现漏电在平衡记忆保持和鲁棒性方面起着至关重要的作用，重置机制对于不间断的时间处理和计算效率至关重要，而递归以鲁棒性下降为代价丰富了建模复杂动态的能力。基于这些有趣的观察，我们提供了在不同场景下增强 SNNs 性能的优化建议。这项工作加深了对 SNNs 工作原理的理解，为开发更有效和鲁棒的神经形态模型提供了有价值的指导。
引用
@article{arxiv.2403.16674,
title = {Understanding the Functional Roles of Modelling Components in Spiking Neural Networks},
author = {Huifeng Yin and Hanle Zheng and Jiayi Mao and Siyuan Ding and Xing Liu and Mingkun Xu and Yifan Hu and Jing Pei and Lei Deng},
journal= {arXiv preprint arXiv:2403.16674},
year = {2025}
}