本文探讨了一种新颖的生物启发式脉冲卷积神经网络，该网络以贪心的分层方式进行训练，将由脉冲卷积 - 池化层和提取独立视觉特征的特征发现层组成，使用局部学习训练卷积层内的卷积核并利用概率性、泄漏整流集成火 (LIF) 神经元从输入刺激中提取独立特征。实验结果表明，该模型能够轻松进行多层次学习，并且具有噪声鲁棒性。

Nov, 2016

本研究基于神经脉冲网络中的超级脉冲非线性电压三因素学习规则，探究了不同信用分配策略对多层神经网络的表现，可促进神经脉冲网络的学习和计算方式的理解。

May, 2017

本文提出了一种具有异构性的回归尖峰神经网络（HRSNN），用于 RGB 和事件数据集（DVS128 手势）上的时空分类视频活动识别任务的非监督学习。 HRSNN 的关键创新点是具有具有不同发射 / 松弛动力学的异构神经元的回归层，它们通过具有不同学习动力学的异构尖峰依赖可塑性（STDP）训练。 我们证明了这种新颖方法在架构和学习方法上的组合优于当前同质性尖峰神经网络，进一步表明 HRSNN 可以实现与现有的基于后向传播训练的监督式 SNN 相似的性能，但使用更少的计算和更少的训练数据。

Sep, 2022

通过引入近似导数方法和基于脉冲的反向传播方法，本文提出一种可以直接训练深度脉冲神经网络的方法，实验结果表明，该方法在 MNIST、SVHN 和 CIFAR-10 数据集上取得了比其他基于脉冲的神经网络更好的分类效果。

Mar, 2019

介绍了一种新颖的脉冲神经网络模型，用于从数据中学习分布式内部表示，通过将之前已被证明可以执行表示学习的非脉冲前馈贝叶斯置信传播神经网络（BCPNN）模型转换为脉冲神经网络，并采用基于在线相关性的 Hebbian-Bayesian 学习和重连机制，呈现出在生物皮层锥体神经元中与 in vitro 低发射率相当的 Poisson 统计量。我们使用线性分类器评估了我们的脉冲模型学习的表示，并展示了与非脉冲 BCPNN 接近，以及当对 MNIST 和 F-MNIST 机器学习基准进行训练时，与其他基于 Hebbian 的脉冲网络竞争力相当。

May, 2023

提出了一个通用的训练框架，提高了有限时间步长内特征学习和激活效率，为更节能的 SNN 提供了新的解决方案。

Jan, 2024

使用局部连接层和时序性突触可塑性规则的脉冲神经网络 (LC-SNNs) 能够优化图像分类任务，其通过接受来自不同位置输入的竞争性抑制相互交互的方式实现生物神经元的拓扑特征，并在两个图像数据集上表现出先进水平的分类精度并展示了较强的稳健性能。

Apr, 2019

通过使用事件摄像头直接训练尖峰神经网络，以设计快速高效的汽车嵌入式应用程序，并且采用了最新的尖峰反向传播方法，成功地针对 GEN1 汽车检测事件数据集提出了尖峰神经网络实现目标检测的方法。

May, 2022

本研究提出一种新颖算法技术生成深度架构的 Spiking Neural Networks，此算法应用于 VGG 和 Residual 网络架构并在 CIFAR-10 和 ImageNet 等图像识别问题上取得了显著的准确率提高，同时证明在 spiking 领域内的稀疏 event-driven 计算可减少硬件开销。

Feb, 2018

本文探讨了一种更具生物学可行性的深度表示学习方法，通过一种基础学习规则（即基于突触权重更新的时序相关型可塑性）引出一种机器学习的梯度下降算法，利用神经元动态学实现了近似的变分 EM 算法，提出了使用去噪自编码器实现梯度的方法，并将其在生成学习任务上加以验证。

Feb, 2015