통증 유사 가소성과 분리적 감쇠로 지속 학습하는 SNN
Maya-CL: Nociceptive Metaplasticity and Vairagya-Governed Heterosynaptic Decay for Continual Learning in Spiking Neural Networks
Swaminathan, Venkatesh
한줄 요약
Maya-CL은 스파이킹 신경망에서 통각 유사 가소성, Vairagya 기반 이종시냅스 기울기 마스킹, BCM 경계 감쇠를 결합하여 재생이나 구조 확장 없이 Split-CIFAR-10 작업 점진 학습을 수행한다.
풀어야 하는 문제
기존 SNN 기반 지속 학습 방법은 재생 버퍼나 네트워크 확장에 의존하거나, 단순한 시냅스 가소성 조절로는 심각한 파괴적 망각을 겪는다. 생물학적 타당성을 유지하면서도 표준 벤치마크에서 경쟁력 있는 성능을 내는 SNN 지속 학습 프레임워크가 부족하다.
접근 방법
Maya-CL은 세 가지 메커니즘을 통합한다: (1) 통각 유사 가소성(nociceptive metaplasticity)으로 중요 시냅스 보호, (2) Vairagya-기반 이종시냅스 기울기 마스킹으로 덜 중요한 시냅스의 변화 억제, (3) BCM 경계 감쇠로 과도한 흥분성 억제. 공유 합성곱 백본 위에서 동작하며, 재생이나 구조 확장 없이 작업 점진 학습을 수행한다.
결과·기여
Split-CIFAR-10 TIL 평가에서 전체 Maya-CL은 AA 62.38%, BWT -30.55%, FWT +40.00%를 달성했다. 세 가지 조건 ablation 연구에서 Vairagya 마스킹이 AA +3.48%, BWT +3.76% 향상에 기여함을 확인했다. 기존 SNN 지속 학습 연구와 달리 세 메커니즘을 통합한 최초의 사례라는 점에서 의의가 있으나, 성능 자체는 최신 CNN 기반 방법에 비해 낮아 실용적 영향은 제한적이다.