Biologically Inspired Spiking Diffusion Model with Adaptive Lateral Selection Mechanism

作者: Linghao Feng, Dongcheng Zhao, Sicheng Shen, Yi Zeng

发布时间: 2025-04-02

来源: arxiv

研究方向: 生物启发式神经计算与生成模型

主要内容

本文提出了一种基于脉冲神经网络（SNNs）的扩散模型，该模型集成了生物启发式的子结构选择机制和侧向连接机制，以提升模型的适应性和表达能力。该模型通过脉冲神经网络处理序列二值脉冲，并结合侧向连接机制迭代地优化子结构选择网络，从而提高模型的适应性和表达能力。

1. 引入了一种新的脉冲扩散模型，该模型结合了生物启发式的子结构选择网络和侧向连接机制，有效地捕捉了生物神经系统中观察到的动态信息处理。

2. 通过严格的数学建模，证明了在定义良好的局部目标下，通过代理梯度更新侧向参数与生物可接受的突触可塑性机制紧密相关。

3. 在多个标准基准数据集上进行了广泛的实证评估，包括MNIST、CelebA、CIFAR-10等，结果表明该模型在生成质量上优于现有的基于SNN的生成模型。

1. 脉冲神经网络（SNNs）

2. 扩散模型

3. 侧向连接机制

4. 子结构选择网络

5. 代理梯度方法

6. 数学建模

7. 实验评估

在多个基准数据集上的实验结果表明，该模型在生成质量上优于现有的基于SNN的生成模型，并且在结构化概率建模方面具有优势。

该研究为未来在神经形态计算和生成模型领域的发展提供了新的思路。未来工作可以进一步探索侧向连接和分层子结构选择在SNNs中的应用，并研究如何将这些机制与更复杂的生成模型相结合，以实现更高效和准确的生成模型。