1월 둘째주 화요일에는 한용옥 연구원이 1D 시간축에서 딜레이를 다루는 논문을 발표하였습니다. 이 논문은 Dilated Convolution with Learnable Spacings (DCLS)를 1D 시간축에 적용하는 방법을 소개하며, 핵심 아이디어는 딜레이 위치를 가우시안으로 부드럽게 만들어 연속 파라미터로 학습하는 것입니다. 저자들은 이 방법을 통해 딜레이 위치를 제대로 학습하고 LIF 모델에서 생길 수 있는 스파이크 간의 시간 차이를 효과적으로 다룰 수 있음을 실험을 통해 보였습니다. 하지만 현재 여러 새로운 뉴런 동역학 모델들이 다양한 깊은 SNN에서 자주 쓰이고 있다는 점을 감안할 때, 단순한 2~3계층 짜리 피드포워드 네트워크에서만 결과를 보여준 것은 좀 아쉽다고 할 수 있을 것 같습니다.