SPACE：脉冲神经网络测试时自适应的脉冲感知一致性增强

该研究针对脉冲神经网络（SNNs）在分布偏移下性能下降的问题，提出 SPike-Aware Consistency Enhancement（SPACE），利用单个测试样本不同增强版本之间的脉冲行为局部特征一致性，进行不依赖源数据的测试时自适应。基于摘要分析，未取得论文全文。 核心机制是利用 SNNs 内在的脉冲动态构造局部特征一致性目标，而不是直接沿用面向人工神经网络（ANNs）的自适应方法。作者认为，传统 ANN 方法难以充分处理 SNNs 的稀疏性与时间脉冲行为，并将 SPACE 称为首个专为 SNNs 设计的无源数据、单样本测试时自适应方法；这一优先性主张尚未独立核实。摘要未披露特征图定义、增强策略、具体损失形式、更新参数范围及推理时更新流程。 作者报告，在多个数据集以及 CNNs、Transformer 和 ConvLSTM 架构的 SNNs 上，SPACE 均能改善性能，并优于所比较的先进 ANN 自适应方法，同时保持较低计算成本。摘要没有给出数据集名称、指标数值、分布偏移类型或计算成本计量方式，因此无法核对优势幅度与适用边界；实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前公开状态尚未验证。 平台推测（待验证）：若 EEG 分类器采用 SNNs，脉冲行为一致性可能为跨被试或跨会话分布偏移提供一种测试时自适应约束，但原领域结果不等于 BCI 有效性。可复用的是单样本一致性目标，需改造的是适合 EEG 的增强方式及其与脉冲编码的对应关系；低信噪比、通道变化和小数据预训练可能导致一致性强化噪声或错误预测。一个可检验的小实验是在固定跨会话划分下，对同一预训练 EEG SNN 比较不自适应、普通增强一致性与 SPACE，使用同一任务指标并记录更新耗时，核对增益是否依赖保持任务标签的增强。已有 EEG 相关工作尚未检索确认。