arXiv:2510.25696v1 Announce Type: new 
Abstract: Spike-based temporal messaging enables SNNs to efficiently process both purely temporal and spatio-temporal time-series or event-driven data. Combining SNNs with Gated Recurrent Units (GRUs), a variant of recurrent neural networks, gives rise to a robust framework for sequential data processing; however, traditional RNNs often lose local details when handling long sequences. Previous approaches, such as SpikGRU, fail to capture fine-grained local dependencies in event-based spatio-temporal data. In this paper, we introduce the Convolutional Spiking GRU (CS-GRU) cell, which leverages convolutional operations to preserve local structure and dependencies while integrating the temporal precision of spiking neurons with the efficient gating mechanisms of GRUs. This versatile architecture excels on both temporal datasets (NTIDIGITS, SHD) and spatio-temporal benchmarks (MNIST, DVSGesture, CIFAR10DVS). Our experiments show that CS-GRU outperforms state-of-the-art GRU variants by an average of 4.35%, achieving over 90% accuracy on sequential tasks and up to 99.31% on MNIST. It is worth noting that our solution achieves 69% higher efficiency compared to SpikGRU. The code is available at: https://github.com/YesmineAbdennadher/CS-GRU.

تقدم دراسة جديدة خلية GRU قائمة على النبضات التلافيفية مصممة لتعزيز معالجة البيانات الزمانية المكانية. يجمع هذا النهج المبتكر بين الشبكات العصبية النبضية ووحدات التكرار ذات البوابات، مما يعالج قيود الشبكات العصبية التقليدية التي غالبًا ما تتجاهل التفاصيل المحلية في التسلسلات الطويلة. من خلال تحسين كفاءة الرسائل الزمنية، يمكن أن يساهم هذا الإطار بشكل كبير في كيفية تحليلنا للبيانات الزمنية، مما يجعله تطورًا حاسمًا في مجال التعلم الآلي.

Un nuevo estudio presenta una celda GRU basada en picos convolucionales diseñada para mejorar el procesamiento de datos espaciotemporales. Este enfoque innovador combina redes neuronales de picos con unidades recurrentes con puertas, abordando las limitaciones de las RNN tradicionales que a menudo pasan por alto los detalles locales en secuencias largas. Al mejorar la eficiencia de la mensajería temporal, este marco podría avanzar significativamente en cómo analizamos los datos de series temporales, convirtiéndose en un desarrollo crucial en el campo del aprendizaje automático.

Une nouvelle étude présente une cellule GRU basée sur des pics convolutifs, conçue pour améliorer le traitement des données spatio-temporelles. Cette approche innovante combine des réseaux neuronaux à pics avec des unités récurrentes à portes, répondant aux limites des RNN traditionnels qui négligent souvent les détails locaux dans de longues séquences. En améliorant l'efficacité de la messagerie temporelle, ce cadre pourrait faire progresser de manière significative notre analyse des données temporelles, ce qui en fait un développement crucial dans le domaine de l'apprentissage automatique.

A new study introduces a convolutional spiking-based GRU cell designed to enhance the processing of spatio-temporal data. This innovative approach combines spiking neural networks with gated recurrent units, addressing the limitations of traditional RNNs that often overlook local details in long sequences. By improving the efficiency of temporal messaging, this framework could significantly advance how we analyze time-series data, making it a crucial development in the field of machine learning.

Convolutional Spiking-based GRU Cell for Spatio-temporal Data

arXiv:2601.08447v1 Announce Type: cross 
Abstract: Spike-timing-dependent plasticity (STDP) provides a biologically-plausible learning mechanism for spiking neural networks (SNNs); however, Hebbian weight updates in architectures with recurrent connections suffer from pathological weight dynamics: unbounded growth, catastrophic forgetting, and loss of representational diversity. We propose a neuromorphic regularization scheme inspired by the synaptic homeostasis hypothesis: periodic offline phases during which external inputs are suppressed, synaptic weights undergo stochastic decay toward a homeostatic baseline, and spontaneous activity enables memory consolidation. We demonstrate that this sleep-wake cycle prevents weight saturation while preserving learned structure. Empirically, we find that low to intermediate sleep durations (10-20\% of training) improve stability on MNIST-like benchmarks in our STDP-SNN model, without any data-specific hyperparameter tuning. In contrast, the same sleep intervention yields no measurable benefit for the surrogate-gradient spiking neural network (SG-SNN). Taken together, these results suggest that periodic, sleep-based renormalization may represent a fundamental mechanism for stabilizing local Hebbian learning in neuromorphic systems, while also indicating that special care is required when integrating such protocols with existing gradient-based optimization methods.

تشير دراسة جديدة إلى اقتراح نظام تنظيم منزلي قائم على النوم لاستقرار البلاستيك المعتمد على توقيت النبضات (STDP) في الشبكات العصبية النابضة المتكررة (SNNs). تهدف هذه الطريقة إلى التخفيف من مشكلات مثل النمو غير المحدود للأوزان والنسيان الكارثي من خلال إدخال مراحل غير نشطة حيث تتراجع الأوزان المشبكية نحو خط الأساس المنزلي، مما يعزز من دمج الذاكرة.

Un nuevo estudio propone un esquema de regularización homeostática basado en el sueño para estabilizar la plasticidad dependiente del tiempo de picos (STDP) en redes neuronales recurrentes de picos (SNNs). Este enfoque busca mitigar problemas como el crecimiento ilimitado de pesos y el olvido catastrófico al introducir fases fuera de línea donde los pesos sinápticos decaen hacia una línea base homeostática, mejorando así la consolidación de la memoria.

Une nouvelle étude propose un schéma de régularisation homéostatique basé sur le sommeil pour stabiliser la plasticité dépendante du timing des pics (STDP) dans les réseaux neuronaux à pics récurrents (SNNs). Cette approche vise à atténuer des problèmes tels que la croissance illimitée des poids et l'oubli catastrophique en introduisant des phases hors ligne où les poids synaptiques décroissent vers une ligne de base homéostatique, améliorant ainsi la consolidation de la mémoire.

A new study proposes a sleep-based homeostatic regularization scheme to stabilize spike-timing-dependent plasticity (STDP) in recurrent spiking neural networks (SNNs). This approach aims to mitigate issues such as unbounded weight growth and catastrophic forgetting by introducing offline phases where synaptic weights decay towards a homeostatic baseline, enhancing memory consolidation.

Sleep-Based Homeostatic Regularization for Stabilizing Spike-Timing-Dependent Plasticity in Recurrent Spiking Neural Networks

One More Thing in AI – Your Shortcut to AI Mastery

Convolutional Spiking-based GRU Cell for Spatio-temporal Data

Was this article worth reading? Share it

One More Thing in AI

LucidQuery AI

Airparser

Gracker AI

Graphite Note

Https

Ready to build your own newsroom?