脉冲神经网络的零样本时间分辨率域自适应
机器学习
2026-02-19 v3
摘要
脉冲神经网络（SNN）是受生物启发的深度神经网络，在提取时间信息方面效率极高，且在部署于神经形态设备时展现出在能效和延迟方面的显著优势。SNN 参数对时间分辨率敏感，当部署时目标数据的时间分辨率与训练所用源数据的时间分辨率不同时，会导致性能显著下降，尤其在部署过程中无法对目标数据进行微调时。为应对这一挑战，我们提出了三种新颖的域自适应方法，可在无需重新训练目标时间分辨率的情况下调整神经元参数以适应时间分辨率的变化。所提方法基于 SNN 中神经元动力学与状态空间模型（SSM）之间的映射关系，且适用于通用神经元模型。我们在时空数据任务上评估了所提方法，即音频关键词检测数据集 SHD 和 MSWC，以及神经形态图像数据集 NMNIST。我们的方法提供了一种替代方案——在大多数情况下显著优于仅缩放时间常数的现有参考方法。值得注意的是，当目标数据的时间分辨率是源数据的两倍时，应用所提方法之一而非基准方法，在 SHD 上实现了 89.5% 的分类准确率（而非 53.0%），在 MSWC 上实现了 93.6%（而非 38.8%），在 NMNIST 上实现了 98.5%（而非 97.2%）。此外，我们的结果表明，通过在较低时间分辨率数据上进行高效的训练即可获得较高时间分辨率数据上的高准确率。
引用
@article{arxiv.2411.04760,
title = {Zero-Shot Temporal Resolution Domain Adaptation for Spiking Neural Networks},
author = {Sanja Karilanova and Maxime Fabre and Emre Neftci and Ayça Özçelikkale},
journal= {arXiv preprint arXiv:2411.04760},
year = {2026}
}