FiTS：通过频率选择性与时间塑形实现可解释的脉冲神经元

脉冲神经网络（SNN）是一种颇具前景的事件驱动时间处理框架。已有工作通过更丰富的神经元动力学以及循环、延迟等网络级机制改进了时间建模，但单个脉冲神经元应如何在网络内实现特化仍不清楚。在本工作中，我们提出 FiTS，一种将每个神经元内部的时间计算分解为频率选择性（FS）与时间整形（TS）的脉冲神经元。FS 模块将每个神经元的目标频率参数化为其阈下幅度响应的最大值点，而 TS 模块则通过群延迟调制来重塑频率成分对膜电压累积的贡献时机。在以频率选择性和时序为输入结构核心的听觉基准上，FiTS 在无循环或网络级延迟的简单前馈 SNN 中持续优于普通漏积分放电（LIF）基线，同时与强时间 SNN 基线保持竞争力。除准确率之外，学到的目标频率与群延迟偏移提供了可解释的神经元级摘要，反映了网络内学到的频率与时序组织。我们的代码可在 https://github.com/kaistmm/FiTS 获取。

中文由 AI 翻译，仅供参考，以原文为准。