arXiv 2026年2月1日该工作提出 ChronoSpike，一种自适应脉冲图神经网络，将可学习 LIF 神经元与逐通道膜动态、对连续特征的多头空间注意力聚合以及轻量 Transformer 时间编码器结合，在三个大规模基准上平均超过十二个最先进基线 2.0% Macro-F1 与 2.4% Micro-F1，训练速度比循环方法快 3-10 倍，参数量恒定为 105K 且与图规模无关，并给出膜电位有界性、收缩因子 ρ<1 下梯度流稳定性与 BIBO 稳定性的理论保证，可解释性分析显示异质时间感受野与 83-88% 稀疏度下的学习首因效应。该工作提出 ChronoSpike，一种自适应脉冲图神经网络，将可学习 LIF 神经元与逐通道膜动态、对连续特征的多头空间注意力聚合以及轻量 Transformer 时间编码器结合，在三个大规模基准上平均超过十二个最先进基线 2.0% Macro-F1 与 2.4% Micro-F1，训练速度比循环方法快 3-10 倍，参数量恒定为 105K 且与图规模无关，并给出膜电位有界性、收缩因子 ρ<1 下梯度流稳定性与 BIBO 稳定性的理论保证，可解释性分析显示异质时间感受野与 83-88% 稀疏度下的学习首因效应。ChronoSpike 用可学习 LIF 神经元与轻量 Transformer 时间编码器，在三个大规模动态图基准上平均提升 2.0% Macro-F1 与 2.4% Micro-F1，并比循环方法训练快 3-10 倍该工作提出 ChronoSpike，一种自适应脉冲图神经网络，将可学习 LIF 神经元与逐通道膜动态、对连续特征的多头空间注意力聚合以及轻量 Transformer 时间编码器结合，在三个大规模基准上平均超过十二个最先进基线 2.0% Macro-F1 与 2.4% Micro-F1，训练速度比循环方法快 3-10 倍，参数量恒定为 105K 且与图规模无关，并给出膜电位有界性、收缩因子 ρ<1 下梯度流稳定性与 BIBO 稳定性的理论保证，可解释性分析显示异质时间感受野与 83-88% 稀疏度下的学习首因效应。该工作提出 ChronoSpike，一种自适应脉冲图神经网络，将可学习 LIF 神经元与逐通道膜动态、对连续特征的多头空间注意力聚合以及轻量 Transformer 时间编码器结合，在三个大规模基准上平均超过十二个最先进基线 2.0% Macro-F1 与 2.4% Micro-F1，训练速度比循环方法快 3-10 倍，参数量恒定为 105K 且与图规模无关，并给出膜电位有界性、收缩因子 ρ<1 下梯度流稳定性与 BIBO 稳定性的理论保证，可解释性分析显示异质时间感受野与 83-88% 稀疏度下的学习首因效应。