深度分析
SNN公平性評測：資料偏差、脈衝編碼與硬體限制的交互影響
脈衝神經網路在邊緣低功耗場景受矚目,本文建立首套系統化SNN公平性基準,考量族群覆蓋缺口、偽特徵外洩與部署硬體差異。以四組跨族群資料集與三款神經形態模擬器測試十二種SNN,發現資料偏差及硬體限制會放大族群間性能差距,需演算法與硬體共同優化。
spiking-neural-networks
深度分析
SymbolicLight V1：LIF 脈衝閘控雙路（Dual‑Path）語言模型的高稀疏性與可擴展性實驗
密集Transformer造成高能耗。SymbolicLightV1以二元LIF脈衝與連續殘差流組成脈衝閘控雙路，採Dual-PathSparseTCAM結合指數衰減長程聚合與脈衝閘控局部注意並配雙語48K分詞。194M模型於3B語料達驗證PPL約8.88–8.93且單元素稀疏度超過89%，顯示稀疏驅動的可行性。
深度分析
在 SNN 中的內生後門：BadSNN 的超參數汙染與觸發器優化
尖峰神經網路具低能耗與時間編碼特性，但也有模型面脆弱。BadSNN在訓練時調整尖峰神經元超參數埋入後門，並在推論期用優化觸發器激活，無需直接修改輸入。實驗顯示其對既有防禦更具韌性，增加攻防風險。涵蓋靜態影像與神經形態資料，跨模型與資料集實驗支持結論。