감성 스파이킹 신경망의 증분 학습
본 연구는 스파이킹 신경망(SNN)의 클래스 증분 학습(CIL) 성능 향상을 위해 생체에서 영감을 받은 역행 기울기 게이팅 메커니즘인 'Maya-Chitta'를 제안한다. 이는 산스크리트어의 'Chitta'(잠재적 인상, Samskaras의 저장소) 개념을 차용하여 시냅스 이력이 과제 전반에 걸쳐 해로운 기울기 업데이트를 선택적으로 억제하는 방식을 모델링한다. 특히, 신경과학의 엔도칸나비노이드 역행 신호 전달에서 영감을 받아, 시냅스별 추적 시스템을 통해 오래된 통합에 대한 병리적 과도한 집착(Moha)을 방지한다. 제안된 Chitta 시스템은 Split-CIFAR-100 데이터셋을 활용한 10가지 과제에서 6가지 조건의 제거 연구를 통해 검증되었다. 그 결과, 전체 Chitta 시스템은 평균 정확도 14.42%와 역전이(Backward Transfer) -53.12%를 달성하여, Maya-Viveka 기준선 대비 총 0.16%p의 성능 향상을 보였다. 이러한 성능 향상에 기울기 게이트 단독으로 0.03%p, Moha 경계 해제가 추가로 0.13%p 기여했음이 확인되었다. 본 연구는 Advaita Vedantic Antahkarana를 SNN의 계산 기본 요소로 구현하는 Maya 연구 시리즈 중 여섯 번째 논문으로, Bhaya Quiescence Law(β* ≤ 0.32%) 및 Buddhi S-Curve Determinism(R² = 1.0000)이 시리즈 전반에 걸쳐 확인되었다.