본 논문은 인공 신경망(ANN)의 표현력과 학습 가능성을 분석하는 데 사용되는 "선형 조각"의 개념에서 파생된, 스파이킹 신경망(SNN)에 대한 새로운 개념을 제시합니다. SNN의 입력 영역이 출력 스파이크 시간이 입력 스파이크 시간 및 네트워크 매개변수에 대해 국소적으로 Lipschitz 연속인 구별되는 인과 영역으로 분해됨을 증명합니다. 이러한 영역의 수("인과 조각"이라고 함)는 SNN의 근사 능력을 측정하는 지표입니다. 특히, 시뮬레이션을 통해 훈련 세트에서 많은 수의 인과 조각을 생성하는 매개변수 초기화가 SNN 훈련 성공과 강하게 상관됨을 보여줍니다. 또한, 순전히 양의 가중치를 가진 순전파 SNN이 놀라울 정도로 많은 수의 인과 조각을 나타내어 벤치마크 작업에서 경쟁력 있는 성능 수준을 달성할 수 있음을 발견했습니다. 인과 조각은 SNN을 개선하는 강력하고 원칙적인 도구일 뿐만 아니라 향후 SNN과 ANN을 비교하는 새로운 방법을 제시할 수 있다고 믿습니다.
