[論文レビュー] Supervised Spike Agreement Dependent Plasticity for Fast Local Learning in Spiking Neural Networks

Gouri Lakshmi S, Athira Chandrasekharan+4 more|arXiv (Cornell University)|Jan 13, 2026

Advanced Memory and Neural Computing被引用数 0

ひとこと要約

この論文は、Spike Agreement-Dependent Plasticity (SADP) の監視付き拡張を提案し、多層スパイキングニューラルネットワークにおける高速・局所学習を実現する。CNN+PoissonエンコードとCohenのκに基づく更新を使用し、バックプロパゲーションなしで線形時間計算量の競争的精度を達成。

ABSTRACT

Spike-Timing-Dependent Plasticity (STDP) provides a biologically grounded learning rule for spiking neural networks (SNNs), but its reliance on precise spike timing and pairwise updates limits fast learning of weights. We introduce a supervised extension of Spike Agreement-Dependent Plasticity (SADP), which replaces pairwise spike-timing comparisons with population-level agreement metrics such as Cohen's kappa. The proposed learning rule preserves strict synaptic locality, admits linear-time complexity, and enables efficient supervised learning without backpropagation, surrogate gradients, or teacher forcing. We integrate supervised SADP within hybrid CNN-SNN architectures, where convolutional encoders provide compact feature representations that are converted into Poisson spike trains for agreement-driven learning in the SNN. Extensive experiments on MNIST, Fashion-MNIST, CIFAR-10, and biomedical image classification tasks demonstrate competitive performance and fast convergence. Additional analyses show stable performance across broad hyperparameter ranges and compatibility with device-inspired synaptic update dynamics. Together, these results establish supervised SADP as a scalable, biologically grounded, and hardware-aligned learning paradigm for spiking neural networks.

研究の動機と目的

• SNNにおける教師あり学習のバックプロパゲーションに代わる高速で生物学的に妥当な代替手段を動機づける。
• 人口レベルのスパイク協調指標を用いた学習を行う監視付きSADPの拡張を開発する。
• CNNエンコーダ前処理とPoissonスパイクエンコードでアプローチの拡張性を示す。
• 標準的な視覚ベンチマークと生体医用画像タスクでの性能を示す。
• データセットとハイパーパラメータ全体で学習ルールの頑健性とハードウェア適合を分析する。

提案手法

• 出力層の学習を局所的なヘッブ誤差項で駆動する監督付きSADPルールを提案する。
• ペアワイズスパイクタイミングを、コーエンのκで定量化される人口レベルの協調に置換して隠れ層を学習する。
• SNN入力として生 raw features または CNN抽出 features から導出したポアソンエンコードスパイクを使用する。
• 1SADP（1つの隠れ層）および2SADP（2つの隠れ層）アーキテクチャを厳密な局所学習で実装する。
• supervision を出力層のみに適用し、隠れ層ではκベースの更新を使って局所性を維持する。
• ペアワイスパイク対の計算を避けることでシナプス更新を線形時間計算量に保つ。

(a) FMNIST

実験結果

リサーチクエスチョン

• RQ1 SADPに基づく監督付き局所学習則は、バックプロパゲーションなしで多層SNNにおいて競争的な精度を達成できるか。
• RQ2 CNN+Poissonエンコーディング前処理を導入すると、複雑でカラ―画像の学習とスケーラビリティは向上するか。
• RQ3 1SADPと2SADPのアーキテクチャは、監督付きSADPの学習性能と収束においてどう比較されるか。
• RQ4 時間窓長さ（T）とエンコーディング方式がデータセット全体の精度と効率に与える影響はどの程度か。
• RQ5 監督付きSADPアプローチはデータセット、ハイパーパラメータ、ハードウェア準拠の更新ダイナミクスに対して頑健か。

主な発見

• CNN+Poissonエンコーディングを用いた監督付きSADPは、データセット全体で高い精度を達成：MNIST ≈ 99.16%、Fashion-MNIST ≈ 89.9%、CIFAR-10 ≈ 70.7%。
• PoissonのみのエンコーディングはMNIST/Fashion-MNISTでは良好だが、CIFAR-10では著しく性能が低下する。複雑データにはCNNベースの特徴抽出が必要である。
• CNN+Poissonエンコーディングは、スパイク密度と次元の低下により1エポックあたりの学習時間を短縮（≈18–32 s）し、Poissonのみエンコードより速い（≈230 s）。”
• 1SADPと2SADPのアーキテクチャは同様の性能を示し、2番目の隠れ層を追加しても一部データセットで得られる利得は限定的だった。
• このアプローチは、厳密な局所・勾配なし学習ルールとして競争的な結果を生み、CNN+Poissonエンコードを使用する場合、生検組織学やMRIデータセットといった生物医用画像タスクにもスケールして高い性能を示す。

Figure 3 : Optimization history plot showing the evolution of validation accuracy across 50 Optuna trials. Blue dots indicate individual trial accuracies, while the orange line represents the cumulative best value. Significant improvements occur around Trials 4, 12–14, and 46–48, reaching a best acc