其他研究

1.脉冲神经网络

脉冲神经网络（Spiking Neural Network, SNN）模拟生物神经元“以脉冲方式”传递信息的行为，是第三代神经网络的代表。与传统神经网络使用连续激活函数不同，SNN通过离散的时序脉冲（spike）进行信息编码和传输，能更贴近神经系统实际处理机制。SNN强调时间信息的作用，特别适用于处理时序数据（如声音、图像序列等），并具有更高的能效与可解释性。SNN的实现依赖于特定神经元模型（如LIF、IF模型）与神经编码策略，目前仍存在训练难度大、学习规则不稳定的问题。需要探索基于脉冲梯度、STDP（Spike-Timing Dependent Plasticity）等方法推动其在边缘计算、类脑芯片等领域的实际应用。

2.神经网络可解释性

神经网络可解释性研究旨在理解和揭示深度学习模型的决策机制，提升其透明度与可信度。当前主流方法包括可视化技术（如Grad-CAM、特征图可视化）、敏感性分析、层级因果追踪等，通过分析模型对输入特征的响应来解释其预测依据。可解释性在医疗、金融、自动驾驶等高风险领域尤为重要，有助于发现模型偏差、攻击脆弱性与决策漏洞。研究也关注模型结构本身的可解释性设计，例如可解释Transformer、模块化网络结构等。挑战在于：如何在准确率和可解释性之间取得平衡、如何度量“可解释性”的有效性，以及如何将解释结果反馈用于模型优化。

3.增量学习

增量学习（Incremental Learning）是指模型在不访问旧数据的情况下，持续学习新任务或类别的能力。它广泛应用于终端设备、在线系统中，尤其适用于动态环境下的长期学习任务。增量学习主要面临“灾难性遗忘”问题，即模型在学习新知识时遗忘旧知识。理想的增量学习模型应具备三大能力：保持旧知识、快速适应新知识，以及有效利用有限资源。 解决该问题的现有策略包括参数正则化、记忆重放、知识蒸馏、模型扩展等方法。 当前研究还在进一步探索跨任务迁移、任务相关性建模与自动知识整合，以实现更加智能和通用的持续学习能力。

4.边缘智能

边缘智能是通过在物联网边缘侧部署计算能力的人工智能服务体系。作为多学科交叉的前沿方向，该体系通过边缘节点算力优化与资源动态调度，实现本地处理与云端服务的互补协同。 我们的研究重点包括联邦学习：允许多个客户端在不共享原始数据的前提下协同训练模型；硬件加速：通过模型结构优化（如卷积核变换、张量分解）、低精度计算等方式降低推理延迟、能耗及资源占用；模型压缩：保证精度的前提下减少深度神经网络的参数量和计算量。