基于脉冲神经网络的神经启发式持续多标签学习框架NIMBLE：解决动态数据流中的稳定性-可塑性平衡难题

本文推荐一种突破性神经形态计算框架NIMBLE（Neuro-Inspired Continual Multi-Label Learning），通过脉冲神经网络（SNN）的生物学启发机制，首次实现任务无关（task-agnostic）且无记忆（memory-free）的持续多标签学习（CMLL）。该框架采用动态演化的兴奋-抑制中间神经元系统，结合胜者通吃（winner-takes-all）的脉冲时间边际最大化机制，在15个跨领域真实数据集中显著提升micro-F1（最高增益0.26）和Jaccard分数（最高增益0.18），为医疗诊断、气候监测等动态场景提供新型解决方案。

　　

Highlight

• NIMBLE首次将脉冲神经网络（SNN）应用于任务无关、无记忆的持续多标签学习（CMLL）领域

• 动态演化的兴奋/抑制中间神经元系统通过胜者通吃机制（winner-takes-all）实现明确的多标签预测

• 脉冲时间边际最大化驱动局部权重更新，在GNegative数据集上取得0.26（micro-F₁）和0.18（Jaccard）的显著提升

Continual multi-label learning problem formulation

真实世界数据以连续流形式出现，每个样本x∈R^m对应多标签向量y∈{0,1}^r。任务序列T₁,T₂,...中，每个任务T_i包含N_i个样本和λ_i个标签（含μ_i≥1个新标签），且可能包含历史任务的标签。这种动态特性使传统记忆回放方法因标签不平衡而失效。

Datasets and continual multi-label learning settings

实验涵盖15个跨领域真实数据集：Emotions（音乐情绪识别）、Flags（国旗属性）、Yeast（基因功能）、FoodTruck（餐饮推荐）、Scene（场景分类）、Birds（鸟类特征）、GPositive（革兰氏阳性菌）、Plant（植物特性）等。采用任务增量（3-20个任务）和类别增量设置，对比CIFDM、EWC、SI、LwF等基准方法。

Conclusion and future work

NIMBLE作为首个SNN驱动的CMLL框架，通过神经可塑性启发的动态架构和局部学习规则，在保持历史知识稳定性的同时适应新标签。未来将探索脉冲时序编码优化，并拓展至医疗影像实时诊断等场景。