本文介绍了一种训练脉冲神经网络的方法，通过结合使用连续模型网络和脉冲模型神经元，使其能够自主产生动态模式，并模拟生理数据，这提供了一种新的方法用于训练脉冲神经网络，并探讨了神经系统中表示和计算的重要问题。

Jan, 2016

该论文研究了如何基于一个 mutually-excitatory point process（如 Hawkes process）的可观测活动来发现潜在的网络结构，并提出了基于离散时间的计算有效的随机变分推断算法，最终在胶质钙成像数据上进行了实验验证。

Jul, 2015

本文提出利用神经常微分方程作为计算方法的新型参数化方法来处理时空点过程，使得离散事件能够在连续时间和空间上进行灵活且精确的建模，本方法包括连续时间神经网络、Jump 以及 Attentive Continuous-time Normalizing Flows 等两种新型神经网络结构，能够处理在时间和空间领域内的复杂分布，并能够非常巧妙地对事件历史进行建模，我们在地震学、流行病学、城市移动性以及神经科学等领域的数据集上验证了我们的模型。

Nov, 2020

本文提出了一种基于神经常微分方程的变分推断算法，在 Markov 跳跃过程中通过学习神经连续时间表示来近似后验分布，相比于 Monte Carlo 和期望最大化方法具有更高效的性能。

May, 2023

本研究发现通过距离依赖性连接概率，可以克服兴奋性和抑制性尖峰神经元随机连接网络在进行计算时的不可靠性。在此基础上建立的空间扩展尖峰神经元网络可以展现出对称性破缺分岔现象，并能生成可进行动力学计算的时空模式。

Nov, 2016

提出了一种新的持续时间模型 ——McCulloch-Pitts 网络 (MPN)， 用于序列学习，在棘突神经网络中，可以利用突触之间的不对称连接进行训练，能够稳健地记忆多个时空模式、二进制图片序列和实验神经脉冲数据的产生模型，并具有生物启发式的设计理念。

Nov, 2019

在过去的二十年中，图形的表示学习方法有了巨大的增长，具有多个应用领域，包括生物信息学、化学和社会科学。然而，目前的动态网络方法侧重于离散时间网络，或者将连续时间网络中的链接视为瞬时事件。为了解决这个问题，我们提出了一种依赖于生存函数的新型随机过程，用于建模链接的持续时间和它们在一段时间内的缺失。我们将这一方法应用于最近的连续时间动态潜在距离模型，并在链接预测和网络完成等各种下游任务中进行量化评估，证明这一开发的建模框架很好地追踪了潜在空间中节点的内在轨迹，并捕捉了演化网络结构的潜在特征。

Dec, 2023

连续时间中的神经标记时间点过程为连续时间事件数据的统计参数模型工具箱增添了有价值的内容。本文提出了一个通用框架，用于建模连续时间中的集合值数据，并开发了适用于任何基于强调的递归神经点过程模型的推理方法。在四个真实世界数据集上进行系统实验，通过对基于集合的序列进行重要性抽样，证明了效率大幅提升。通过展示如何使用该框架来执行不涉及一步预测的似然度进行模型选择。

Dec, 2023

使用零样本推理的神经网络模型，能够从嘈杂且稀疏的观察中，推断出具有不同维度的马尔可夫跳跃过程，并且达到与针对目标数据集微调的最先进模型相媲美的性能。

Jun, 2024

本研究引入了一类通用的均场相互作用非线性 Hawkes 过程，用于模拟两个神经元群体（一个兴奋性和一个抑制性）之间的相互作用。模型包括抑制和基于回馈的增量，探讨系统的确切性和长期行为分析，发现抑制和反馈的作用可能导致限制循环的出现。

May, 2021