SpikF-GO: новый метод прогнозирования временных рядов на спайковых нейросетях превзошёл аналоги по точности и энергоэффективности
Авторы нового исследования, опубликованного на arXiv, предложили модель SpikF-GO (Spiking Fourier Graph Operators) для многомерного прогнозирования временных рядов. Это одна из первых работ, где графовое моделирование межпеременных зависимостей применяется в спайковых нейронных сетях (SNN).
Существующие SNN-подходы обрабатывают переменные независимо, упуская критически важные кросс-корреляции. SpikF-GO решает эту проблему с помощью гипервариативного графа, где каждое наблюдение становится узлом, а обработка ведётся в спектральной области спайковыми нейронами.
Модель включает два ключевых нововведения: Hard Concrete-частотный фильтр для обучаемого разреженного выбора частот и Complex LIF-нейроны, которые независимо обрабатывают действительную и мнимую компоненты преобразования Фурье, сохраняя бинарную событийно-управляемую архитектуру.
Кроме того, для улучшения моделирования долгосрочных зависимостей реализован вариант с позиционными кодировками на основе генераторов центральных паттернов (CPG).
Эксперименты проведены на восьми популярных бенчмарках по единому протоколу. SpikF-GO достиг наилучшего среднего ранга среди всех SNN-методов и превзошёл свой аналог на полносвязных нейросетях — FourierGNN — при значительно меньших затратах энергии. Даже при малых размерностях эмбеддингов модель сохраняет конкурентоспособную точность.
Для сообщества машинного обучения эта работа интересна тем, что впервые объединяет графовое представление многомерных данных и энергоэффективные спайковые вычисления в задаче прогнозирования временных рядов. Авторы также предоставили единый сравнительный протокол для оценки SNN-архитектур, что может стать стандартом для будущих исследований.
