# Revisiting Reset Mechanisms in Spiking Neural Networks for Sequential Modeling: Specialized Discretization for Binary Activated RNN

### 저자

Enqi Zhang

### 개요

본 논문은 이미지 인식 분야에서 기존 인공 신경망(ANN)에 필적하는 성능을 보이는 스파이킹 신경망(SNN)을 순차 모델링 작업을 위한 이진 활성화 순환 신경망(RNN)으로 보는 대안적 관점을 제시한다.  기존 SNN 아키텍처는 장기 순차 모델링을 위한 효과적인 메모리 메커니즘 부재, 생물학적 영감 구성 요소(리셋 메커니즘, 불응기)의 이론적 미탐구, RNN 유사 계산 패러다임으로 인한 시계열 간 병렬 학습 불가능 등의 문제점을 지닌다. 이에 본 연구는 이진 활성화 RNN 기반 SNN 순차 모델에서 리셋 연산과 불응기의 기본 메커니즘을 체계적으로 분석하여, 이러한 생물학적 메커니즘이 희소 스파이킹 패턴 생성에 필수적인지 재검토하고 새로운 이론적 설명과 통찰을 제공하며, 순차 모델링을 위한 고정 불응기 SNN 아키텍처를 제안한다.

### 시사점, 한계점

- **시사점:**  SNN을 RNN 관점에서 재해석하여 순차 모델링의 한계를 밝히고, 고정 불응기 SNN 아키텍처를 제안함으로써 SNN의 순차 모델링 성능 향상 가능성을 제시한다.  리셋 메커니즘과 불응기의 역할에 대한 새로운 이론적 이해를 제공한다.

- **한계점:**  제안된 고정 불응기 SNN 아키텍처의 실제 성능 및 일반화 성능에 대한 실험적 검증이 부족하다.  다양한 순차 모델링 작업에 대한 적용성 및 다른 SNN 아키텍처와의 비교 분석이 필요하다.  생물학적 현실성과의 차이에 대한 논의가 부족할 수 있다.

[PDF 보기](https://arxiv.org/pdf/2504.17751)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).