在类脑视觉数据集上比较SNN与RNN：相似性与差异性

神经形态数据（neuromorphic data）记录的是无帧的脉冲事件（spike events），因其能够捕捉时空信息特征以及事件驱动的处理机制，近年来受到广泛关注。脉冲神经网络（Spiking Neural Networks, SNNs）是一类具有时空动态特性的事件驱动模型，被广泛应用于神经形态计算领域，并作为基准模型在神经形态数据上进行评估。有趣的是，机器学习领域的研究者指出，尽管递归（人工）神经网络（Recurrent Neural Networks, RNNs）并非事件驱动型模型，但同样具备提取时空特征的能力。因此，一个关键问题随之浮现：“若将这两类模型共同应用于神经形态数据进行基准测试，将会产生怎样的结果？”这一问题目前尚不明确。在本研究中，我们系统性地比较了SNNs与RNNs在神经形态数据上的性能表现，以视觉数据集作为典型案例展开分析。首先，我们从建模与学习两个角度，深入剖析了SNNs与RNNs（包括原始RNN与长短期记忆网络LSTM）之间的异同。为确保比较的可比性与公平性，我们统一了监督学习算法（基于时间反向传播，Backpropagation Through Time, BPTT）、损失函数设计（利用所有时间步的输出信息）、网络结构（采用堆叠的全连接层或卷积层）以及训练过程中的超参数设置。特别地，考虑到RNN中主流使用的损失函数，我们受脉冲编码机制（rate coding scheme）的启发，对其进行了改进，使其更贴近SNN的损失函数形式。此外，我们通过调整数据集的时间分辨率，系统测试了模型在不同时间尺度下的鲁棒性与泛化能力。最终，我们在两类神经形态数据集上开展了一系列对比实验：一类为通过动态视觉传感器（DVS）转换得到的数据集（N-MNIST），另一类为DVS直接采集的原始数据集（DVS Gesture）。实验结果为理解SNN与RNN在神经形态计算场景下的性能差异与适用边界提供了重要依据。