SNN持续学习论文：脉冲显著图引导重放

Francesco Panetta、Federico Di Valerio和Michela Proietti在arXiv（2610.17998）发布论文，提出面向深度脉冲神经网络（SNN）的显著性引导经验重放（SAM-guided EPR）持续学习方法：基于脉冲活动的Spike Activation Map经时间聚合为空间注意力图，用于选择信息量较高的图像块进行重放，而非存储完整图像，并结合经Batch Normalization Through Time稳定化的VGG9，面向低延迟约束下的内存高效持续学习。 作者称，在Split CIFAR10和Split CIFAR100上的实验显示，该方法在内存预算紧张时改善了精度—存储权衡。上述结论为论文声称的实验结果，本站未独立核验。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。