动态训练脉冲网络

延迟自适应降开销

通过损失引导的随机延迟采样，保持高准确率的同时支持不同推理延迟约束下的灵活部署。

Xiao, Du · Shi, Wanli · Hanyuan, Zheng · Mukhoty, Bhaskar Pratim · Yang, Cao · 顾彬 · 伍铁如

Computer Vision and Image Understanding 2026

参数信息

准确率提升

20 %

推理时间步数

1-3

技术优势

延迟变化不会崩

损失引导的自适应采样保证各时间步梯度均衡，延迟泛化一致。

极端低延迟仍准确

在1–3时间步的极端削减下，比固定延迟和均匀采样延迟基线高最多20%准确率。

无需重训即可部署

单一训练模型可适配不同推理延迟约束，无需针对每个延迟重新训练。

应用场景

• 边缘智能：动态能源预算下随时调整推理延迟，不必为每个延迟单独训练模型。
• 神经形态计算：解决脉冲网络延迟依赖问题，扩大其在神经形态硬件上的应用可行性。
• 低功耗芯片：减少推理时间步数降低计算开销，配合芯片功耗约束灵活部署。
• 可穿戴设备：电池受限的可穿戴设备可根据剩余电量动态调整推理延迟，延长工作时间。
• 实时机器人：机器人可在计算资源紧张时降低时间步数，满足实时性和能源效率要求。