Viveka 기반 시냅스 식별 증분 학습

본 연구는 Maya 스파이킹 신경망(SNN) 아키텍처에 여섯 번째 감성 차원인 'Viveka(분별력)'를 도입하여, 클래스 증분 학습 환경에서 안정적이고 일반적인 특징을 인코딩하는 시냅스와 일시적이고 특정 작업에 국한된 활성화를 인코딩하는 시냅스를 구별하는 방법을 제안한다. 이는 Split-CIFAR-100 데이터셋의 100개 클래스와 10개 순차 작업에 걸쳐 검증되었다. Viveka는 신경과학의 노르에피네프린 이득 증폭 모델에서 영감을 받아, 작업 간 시냅스 일관성 추적기 역할을 수행한다. 각 시냅스가 작업 경계를 넘어 얼마나 신뢰성 있게 발화하는지에 따라 기억 통합 보호의 강도를 조절함으로써, 통합 과정을 무분별하게 적용하는 대신 선별적으로 이루어지게 한다. 6가지 조건의 절제 연구(ablation study) 결과, Viveka 게이팅을 통한 선택적 보호 방식은 이 어려운 벤치마크에서 평균 16.03%의 정확도와 -50.50%의 역전이(backward transfer)를 달성했다. 이는 시냅스 이력과 무관하게 균일한 통합을 적용하는 다른 구성들을 능가하는 성능이다. 이 연구는 Advaita Vedantic Antahkarana를 스파이킹 신경망의 계산 프리미티브로 구현한 Maya 연구 시리즈의 최신 성과이다. Bhaya Quiescence Law(β* ≤ 0.32%) 및 Buddhi S-Curve Determinism(R² = 1.0000)이 시리즈 내 모든 논문에서 일관되게 확인되었다.