SSEL：基于脉冲的结构熵学习方法，用于脉冲图神经网络

脉冲神经网络通过结构熵学习框架实现图认知的高效与鲁棒性，结合拓扑优化与事件驱动计算，有效抑制对抗攻击。实验表明，在Cora和Citeseer数据集上，SSEL在未受干扰时达到85.31%准确率，且在0.1盐雪 pepper噪声下保持64.58%准确率，较基线提升34%，同时能耗降低97.28%。

　　
脉冲神经网络在图结构数据中的应用具有显著的能效优势，但其对抗性拓扑扰动下的脆弱性问题仍未得到有效解决。针对这一挑战，研究者提出了一种基于结构熵优化的脉冲图神经网络框架（SSEL），通过整合信息论与神经形态计算原理，构建了双重鲁棒性增强机制。

**研究背景与核心问题**
当前图神经网络（GNN）在处理大规模数据时面临两大瓶颈：其一，传统注意力机制（如GAT）的计算复杂度呈平方级增长，导致能耗居高不下；其二，对抗性拓扑扰动（如随机删除/添加关键边）会引发信息传播路径的断裂，造成模型性能显著下降。尽管已有研究提出通过图净化（如RGCN）或对抗训练提升鲁棒性，但这些方法或依赖高维特征空间（如Pro-GNN），或无法适应脉冲神经网络的稀疏计算特性。

**理论突破与创新点**
该研究从信息论视角重构了图结构表征的优化范式。通过引入结构熵理论，首次将图的层次化拓扑特征与脉冲事件的动态编码相结合。核心创新体现在两个方面：
1. **结构熵驱动的拓扑优化**：通过量化图的社区结构不确定性，建立低熵连接的筛选标准。该方法能自动识别并剪除对抗攻击中的干扰边，同时保留社区内部的关键连接。实验表明，在Cora数据集上，优化后的拓扑结构使模型在盐与胡椒噪声攻击下的准确率提升达34.5%。
2. **脉冲门控传播机制**：基于优化后的拓扑矩阵设计动态传播门控，仅允许低熵边触发脉冲事件。这种机制将结构优化与事件驱动计算深度融合，在保持模型精度的同时实现能效飞跃。测试数据显示，SSEL相比传统GNN能耗降低97.28%，且在特征噪声达90%时仍能维持60%以上的准确率。

**技术实现路径**
研究提出三阶段协同优化策略：
- **结构熵建模**：构建双维度熵指标体系，一阶熵（H1）衡量节点度分布的均匀性，二阶熵（H2）平衡社区内部连接密度与跨社区分离度。通过联合优化这两个指标，生成具有天然鲁棒性的图结构。
- **脉冲动态适配**：采用漏斗积分发放模型（LIF），结合事件触发机制，仅对门控允许的低熵边进行加权聚合。实验表明，该设计使模型在Cora数据集上的前向传播计算量降低至传统GNN的3.8%。
- **门控协同训练**：将结构熵优化与脉冲传播过程进行联合训练，确保拓扑优化结果能自适应地映射到神经元的动态激活模式。通过引入可微分结构熵损失函数，实现端到端的联合优化。

**实验验证与对比分析**
在Cora和Citeseer两个基准数据集上的对比实验揭示了显著优势：
1. **鲁棒性对比**：在随机删除60%边（δ=0.6）的极端测试条件下，SSEL保持72.4%的准确率，优于Spiking GCN（47.3%）和传统GNN（RGCN 56.8%）。
2. **能效比优化**：通过结构熵驱动的稀疏连接筛选，SSEL在保持85.3%准确率的同时，能耗仅为传统GNN的2.7%。
3. **泛化能力提升**：在对抗性特征噪声（ρ=0.9）下，SSEL通过结构熵的社区边界强化机制，仍能维持64.6%的准确率，较基线方法提升超过30个百分点。

**方法论贡献**
研究建立了图神经网络鲁棒性量化评估体系，提出"结构熵-事件密度"双重稀疏优化模型：
- **结构稀疏性**：通过熵最小化生成低复杂度图结构，社区边界清晰度提升42%
- **事件稀疏性**：脉冲触发频率降低至传统GNN的8.3%，但信息编码完整度提高28%
- **动态耦合机制**：拓扑优化结果直接映射到脉冲传播路径，形成"结构-动态"强耦合系统

**应用价值与未来方向**
该框架已在医疗知识图谱（500万节点）和交通网络预测（城市级规模）中验证可行性，能耗降低幅度达98.7%。未来研究将聚焦动态图场景，探索在线拓扑优化算法，并尝试将模型部署至存算一体芯片架构。该工作为神经形态计算与图智能的深度融合提供了新的方法论范式。