论文链接：http://arxiv.org/abs/2205.02767

有着“第三代人工智能”美誉的脉冲神经网络 Spiking Neural Networks （SNN）， 利用特定的信号处理方程，以及独特的数据输入（神经脉冲），比当前的人工智能更好地模仿了人脑的思考过程。并且，SNN一个更大的不容忽视的优势便是它可预见的能量利用效率。文章首次提出了SpikingGCN, 一个针对图的节点分类任务，将SNN和GNN有效融合的模型。在多个训练数据集上经过测试，比起其他优秀的GNN模型，SpikingGCN能够达到媲美，甚至更优的分类性能。重要的是，在此等不牺牲分类性能的情况下，SpikingGCN还能够大大地减少能量消耗。在剩余的内容里（包括附录），文章从节点分类预测实验，能量消耗实验，主动学习实验，以及更多的图节点分类应用场景（图像分类和推荐系统关系预测），阐述了SpikingGCN的优势，并且从理论上也证明了该模型能够较好地近似部分GNN模型。

内容中包含的图片若涉及版权问题，请及时与我们联系删除