核心发现
方法论
本研究提出了一个系统的公平性基准框架，专门针对尖峰神经网络（SNNs）。该框架通过整合四个跨人口统计数据集和三个神经形态硬件模拟器（如Loihi 2、SpiNNaker），在资源受限的条件下分析公平性与性能的权衡。采用统计公平性和机会平等等指标，评估了12种最先进的SNN模型。
关键结果
- 在偏见数据上训练的模型对代表性不足群体的误报率高出23%。
- 硬件限制（如降低的尖峰精度）在边缘部署中将准确率差距放大至41%。
- 云端SNN的偏见缓解策略在资源受限条件下表现不佳。
研究意义
该研究首次为SNNs提供了一个全面的公平性评估基准，填补了现有研究中对算法公平性和神经形态工程结合的空白。通过揭示数据偏见、伪特征泄漏和硬件限制对SNN性能的影响，为在社会关键应用中构建可信赖的SNN奠定了基础。
技术贡献
该研究通过设计一个专门的公平性基准，揭示了SNNs在数据偏见和硬件限制下的性能差异，提出了在资源受限条件下优化公平性和硬件效率的共同设计原则。
新颖性
这是第一个专门针对SNNs的公平性基准，系统分析了数据偏见、伪特征和硬件影响，填补了现有工具包在尖峰驱动动态和硬件限制方面的空白。
局限性
- 研究主要集中在视觉任务，其他领域如医疗监测可能表现不同。
- 主要评估指标集中在单一敏感属性，未完全捕捉多属性交互。
未来方向
未来研究可以扩展到其他模态，如医疗监测和自动驾驶，开发更细粒度的交叉公平性指标，并设计有效的方法来提高SNN的公平性。
AI 总览摘要
尖峰神经网络（SNNs）因其低功耗特性在边缘设备和物联网应用中显示出巨大潜力。然而，快速发展的SNNs隐藏了一个重要的社会技术风险：算法公平性。现有的评估往往依赖于静态和理想化的数据集，无法反映神经形态特有的复杂性。
本研究提出了第一个系统的SNN公平性基准，解决了训练数据中的人口覆盖差距、伪特征泄漏以及部署环境不匹配等现实问题。通过整合四个跨人口统计数据集和三个神经形态硬件模拟器，研究揭示了在资源受限条件下的公平性与性能权衡。
实验结果表明，偏见数据训练的模型对代表性不足群体的误报率高出23%，硬件限制将准确率差距放大至41%。研究强调了在资源受限条件下优化公平性和硬件效率的共同设计原则的重要性，为在社会关键应用中构建可信赖的SNN奠定了基础。
深度解读
原文摘要
Evaluating fairness in Spiking Neural Networks (SNNs) demands rigorous benchmarks that reflect real-world complexities, yet existing assessments remain limited by superficial dataset diversity and idealized hardware assumptions. This work introduces the first systematic fairness benchmark for SNNs, addressing three critical dimensions of realism: (1) demographic coverage gaps in training data, (2) spurious feature leakage (e.g., skin tone as a proxy for class labels), and (3) deployment-environment mismatches (e.g., edge devices with constrained spike encoding). Our framework integrates four cross-demographic datasets with controlled bias injections and three neuromorphic hardware simulators (Loihi 2, SpiNNaker), enabling isolated analysis of fairness-performance trade-offs under resource constraints. Standardized evaluations of 12 state-of-the-art SNNs reveal stark disparities: models trained on biased data exhibit 23\% higher false positive rates for underrepresented groups, while hardware limitations (e.g., reduced spike precision) further amplify accuracy gaps by up to 41\% in edge deployments. Critically, bias mitigation strategies developed for cloud-based SNNs often degrade under resource constraints, highlighting the need for co-design principles that jointly optimize fairness and hardware efficiency. By bridging algorithmic fairness research with neuromorphic engineering, our benchmark provides a foundation for trustworthy SNNs in socially critical applications such as healthcare and autonomous systems. Our code is available at: https://anonymous.4open.science/r/SNN-Benchmarks-8017.