arXiv cs.AI· Francesco Panetta, Federico Di Valerio, Michela Proietti·· 3 天前AI 评分20
基于显著性引导回放的深度脉冲神经网络持续学习
Saliency-Guided Replay for Continual Learning in Deep Spiking Neural Networks
AI 导读
研究将经验打包与回放（EPR）用于低延迟约束下的深度脉冲神经网络持续学习，结合 Batch Normalization Through Time 稳定的 VGG9 SNN 与 Spike Activation Maps（SAM），把脉冲活动解释聚合为空间注意力图，只回放信息量最大的图像块而非完整图像。
正文 · AI 翻译
摘要：脉冲神经网络（SNN）在节能神经形态计算方面前景广阔，但在顺序学习任务时仍会遭受灾难性遗忘。本文研究了在低延迟约束下，将经验打包与回放（EPR）集成为深度 SNN 的一种内存高效的持续学习策略。所提出的框架将基于时间批归一化稳定的 VGG9 SNN 与脉冲激活图（SAM）相结合，后者基于脉冲活动提供仅前向的解释。这些解释被时间聚合为空间注意力图，并用于选择信息量最大的图像块进行回放，而不是存储完整图像。在 Split CIFAR10 和 Split CIFAR100 上的实验表明，SAM 引导的 EPR 在严格的内存预算下改善了准确率与内存之间的权衡，并且在所需存储大幅减少的同时仍保持竞争力。
| 评论： | 流式持续学习研讨会。收录于 ECML PKDD 2026 国际研讨会会后论文集 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2610.17998 [cs.LG] |
| （或 arXiv:2610.17998v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17998 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Federico Di Valerio [查看电子邮件]
[v1]
2026年10月13日星期二 08:58:28 UTC（591 KB）
来源：arXiv cs.AI · arxiv.org