Die Entwicklung von neuromorpher Intelligenz auf ereignisbasierten Datensätzen mit Spiking Neural Networks (SNNs) hat in letzter Zeit viel Forschungsinteresse geweckt. Allerdings neigen SNNs aufgrund der begrenzten Größe ereignisbasierter Datensätze zu Überanpassung und instabiler Konvergenz. Dieses Problem wurde bisher von früheren wissenschaftlichen Arbeiten nicht ausreichend untersucht.Um diesen Generalisierungslücken zu begegnen, schlagen wir Neuromorphe Datenverstärkung (NDA) vor, eine Familie geometrischer Verstärkungen, die speziell für ereignisbasierte Datensätze entwickelt wurden, um das Training von SNNs erheblich zu stabilisieren und den Generalisierungsspalt zwischen Trainings- und Testleistung zu verringern. Die vorgeschlagene Methode ist einfach und kompatibel mit bestehenden SNN-Trainingspipelines.Mit Hilfe der vorgeschlagenen Verstärkung demonstrieren wir zum ersten Mal die Machbarkeit des unüberwachten kontrastiven Lernens für SNNs. Wir führen umfassende Experimente auf gängigen Benchmarks für neuromorphe Vision durch und zeigen, dass NDA erhebliche Verbesserungen gegenüber den bisher besten Ergebnissen bringt. Zum Beispiel erreicht ein auf NDA basierender SNN bei CIFAR10-DVS und N-Caltech 101 Genauigkeitszuwächse von 10,1 % und 13,7 %, jeweils.Der Quellcode ist unter GitHub verfügbar: https://github.com/Intelligent-Computing-Lab-Yale/NDA_SNN