ChronoSpike：一种用于动态图的自适应脉冲图神经网络

arXiv:2602.01124v4 公告类型：替换 摘要：动态图表示学习需要同时捕捉结构关系和时间演化，但现有方法面临一个核心权衡：基于注意力的方法具有较强的表达能力，但复杂度为 O(T^2)；循环架构则存在梯度病态问题，并需要存储稠密状态。脉冲神经网络能够提供事件驱动的高效性，但受到顺序传播、二值信息损失以及缺乏全局上下文的局部聚合等因素的限制。我们提出 ChronoSpike，一种自适应脉冲图神经网络，将可学习的 LIF 神经元、带有逐通道膜电位动力学的机制、基于连续特征的多头空间注意力聚合，以及轻量级 Transformer 时间编码器相结合。该设计以 O(T.d) 的激活/状态内存开销和额外的 O(T^2) 每节点注意力项，实现了细粒度局部建模与长程依赖捕捉；对于本文评估的时间跨度，该额外开销仍然较小。在三个大型基准数据集上，ChronoSpike 的表现优于十二种最先进的基线方法，Macro-F1 平均提升 2.0%，Micro-F1 平均提升 2.4%；同时，在恒定的 105K 参数预算下（与图规模无关），其训练速度比循环方法快 3~10 倍。我们为膜电位有界性、收缩因子 \r{ho}<1 条件下的梯度流稳定性以及 BIBO 稳定性提供了理论保证；可解释性分析揭示了异质的时间感受野，以及具有 83-88% 稀疏度的习得性首因效应。我们的代码已公开发布于：https://github.com/Abrar2652/ChronoSpike