事件流时间量化新突破：线性插值让表示漂移降低72%，预测零翻转！
On The Robustness-Resolution Tradeoff In Temporal Quantization Of Event Streams
📖 AI 总结
该研究探讨了事件流处理中时间戳离散化（时间量化）对表示稳定性的影响。作者首先指出，硬时间分箱是不连续的：时间戳在分箱边界附近的任意微小偏移，都可能导致事件质量在相邻箱之间转移。随后，他们定义了一类非负、质量保持且分辨率忠实的连续编码器，并证明该类中每个编码器的全局L1敏感度下界为2/Δ（Δ为箱宽），而线性双箱插值恰好达到该极限，且局部支撑与一阶矩保持性质使其成为唯一最优解。在SHD、N-MNIST和DVS128 Gesture数据集上的实验验证了理论分析：在相同时间戳预算下，线性插值将平均表示漂移降低47%至72%，同时干净准确率几乎不变；在DVS Gesture上实现零预测翻转，在SHD上测得漂移与1/Δ成正比，R²达0.992。该工作揭示了鲁棒性与时间分辨率之间的内在权衡，为事件流时间量化提供了理论指导与实用方案。
🔑 关键词速览
| 事件流 | 由异步事件（如神经形态相机中的亮度变化）组成的时间序列数据。 |
| 时间量化 | 将连续时间戳离散化为时间箱的过程，常用于事件数据的预处理。 |
| 硬时间分箱 | 一种简单的时间离散化方法，将每个事件分配到单个时间箱，导致不连续性。 |
| L1 敏感度 | 衡量编码器输出对输入时间戳微小变化的敏感程度，定义为输出变化的 L1 范数与输入变化之比的上确界。 |
| 线性双箱插值 | 一种连续编码方法，将事件质量按线性权重分配到相邻两个时间箱，达到最小 L1 敏感度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅