神经形态计算是目前少数几种有可能大幅降低机器学习和人工智能功耗的方法之一，它从生物系统和电路中汲取了大量灵感。在他们的研究中，伊玛姆和克莱兰德1 提出了一种神经形态气味学习算法，该算法的灵感来自哺乳动物的嗅球电路，他们评估了该算法在 "快速在线学习和识别 "以及 "超越经验的广泛泛化 "气体气味和无味气体（简而言之，"气体"）方面的性能，使用了一组不同气味呈现的气体传感器记录，并用脉冲噪声对其进行了破坏。我们复制了该研究的部分内容，并发现了其中的局限性：(1) 所使用的数据集存在传感器漂移和非随机测量协议的问题，因此在气味识别基准方面的作用有限；(2) 该模型在重复呈现相同气体时的泛化能力受到限制。因此，除了还原先前学习的数据样本之外，该模型的验证还有待证明，特别是其与所赋予的鲁棒性和超越经验的广泛泛化能力的一致性，以及其对现实气味识别任务的适用性。除了数据集的局限性之外，我们还发现该模型对同一刺激的不同记录进行泛化的能力受到了限制。泛化是任何模式识别系统的重要特性6。作者令人信服地表明，该模型可以恢复被脉冲噪声破坏的输入模式。不过，在大多数情况下，作者都是在用于训练的相同样本上进行识别测试，用噪声遮盖了样本的 60%。每个训练样本的 40% 在相应的测试样本中保持不变。由于在训练和测试中使用了重叠的数据部分，因此无法保持稳健的泛化评估所需的统计独立性。真正的气味识别和信号恢复系统很少会两次遇到完全相同的刺激，一次是干净的刺激，一次是损坏的刺激。因此，评估模型从不同记录中识别和还原模式的能力对于判断其相关性至关重要。