超越汉明悬崖：在脉冲神经网络中保持语义距离的紧凑空间编码

基于摘要分析。该研究针对标准二进制表示中相邻数值可能具有较大汉明距离的“汉明悬崖”问题，在运行于 SpiNNaker 硬件的脉冲神经网络前端比较 Gray、Thermometer、Johnson 及混合编码，研究如何以紧凑空间表示保持连续数值的语义距离。 方法将连续取值编码为输入层同时发放的一组脉冲，而非依靠时间序列逐步表达数值。研究在各编码方案下训练多个连续取值，并考察准确率、所需稳态缩放及假阳性率。作者报告，消除汉明悬崖只是必要而非充分条件：Gray 编码虽消除了悬崖，却仅保留有限的全局距离结构；Thermometer 和 Johnson 编码能保持语义距离，但码宽随取值范围增长。 作者提出以单一参数统一上述三类编码、并将其作为极限情形的混合编码。作者报告，该方案能以较小码宽恢复大部分距离结构，但摘要未给出具体压缩比例或性能数值。作者还报告，稳态因子决定每个已训练模式周围的容忍半径，而编码选择决定哪些取值会被网络视为相似。具体编码构造、训练规则、取值范围、对照设置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征中的数值邻近确实对应任务语义邻近，这类编码或可作为脉冲神经网络输入表示的候选；其依赖的是连续数值的距离结构，并非已验证的 EEG 解码机制。迁移需改造特征归一化与量化范围，并处理多通道结构。低信噪比、跨被试幅值漂移及小数据可能破坏该距离假设。可在固定特征、网络和数据划分下，对比二进制、Gray 与混合编码的分类准确率、假阳性率及输入码宽，检验收益是否来自距离保持。相关 EEG 工作尚未检索确认。