脉冲神经网络持续学习新方法研究

2026年10月15日，arXiv Artificial Intelligence刊出Francesco Panetta等作者的研究，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。该框架结合批归一化穿越时间的VGG9 SNN与脉冲激活图（SAM），把前向解释按时间聚合成空间注意力图，据此挑选信息量最大的图像块回放，而非存储整图。在Split CIFAR10和Split CIFAR100上，SAM引导的EPR在紧张内存预算下改善了精度与内存的权衡，并以明显更少的存储保持竞争力。目前该事件仅有这一篇报道，尚无后续跟进或相互矛盾的说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。