MiniAtar

新方法解决了低时间步长脉冲神经网络中的共模误差问题

研究人员发现，在低模拟时间步长下运行时，共模误差是深度脉冲Q网络（DSQNs）的一个主要限制因素。这些跨动作值共享的误差严重阻碍了时间差学习。为解决此问题，他们提出了一种共模补偿深度脉冲Q网络（CMC-DSQN），该网络使用一个辅助人工神经网络来纠正这些误差。这种方法可以直接从SNN输出进行高效推理，在保持能效的同时，在Atari和MiniAtar环境中取得了显著的性能提升，在更高时间步长下甚至超过了现有的DSQNs和ANN基线。