本文提出一种基于事件驱动的脉冲时序依赖可塑性 (Spike-Timing-Dependent Plasticity, STDP) 规则的监督学习方法，可以在保持计算精度的同时提高计算效率，特别适用于脉冲神经网络 (Spiking Neural Networks, SNNs)。实验结果表明，该方法可以较好地处理 XOR 问题、鸢尾花数据以及 MNIST 数据集，表现与传统神经网络相当，甚至比目前最先进的多层 SNNs 效果更好。

Nov, 2017

本文提出利用短期可塑性为脉冲神经网络提供与非脉冲神经网络不同的计算优势，并使用节约的局部突触可塑性模拟温度相关技术来解决网络计算困难性问题。这些网络在处理生成任务时表现出出色性能，在任务不平衡的情况下，它们甚至可以胜过传统算法。

Sep, 2017

本文提出了一种具有生物特征的尖峰神经网络模型，采用相对时间编码方案，使用 BPROP 算法进行监督式训练，并在 MNIST 数据集等分类任务中成功地训练了网络，结果表明该网络具有编码单个神经元时间信息的高计算能力，在视觉决策任务中取得了与人类决策类似的准确性 - 速度的平衡，为实现更复杂的具有生物启示的神经网络架构提供了有效的构建块。

Jul, 2019

通过协同学习连接权重、神经元适应过程和突触传播延迟等生物灵感神经元特征，本文展示了脉冲神经网络 (SNN) 在数据处理方面的增强，进而在具有丰富时间动态的任务上表现出与等效人工神经网络 (ANN) 类似大小的最先进效果。

Sep, 2023

采用监督式学习方法，根据突触后的发放时刻的概率通过梯度上升优化突触效能，预测神经元发放行为的最优化策略与 STDP 很相似，其衰减和增强均基于不同的突触后和突触前信号的时序差异，并根据不同约束条件的实现方式，分析了突触效能的抑制及其幅度。

Feb, 2005

通过引入「EchoSpike Predictive Plasticity」（ESPP）学习规则，本文在多层 SNN 中探索在线本地学习的自监督学习应用，展示其与当前最先进的有监督学习规则相媲美的效果，从而为边缘神经形态计算开发出具有生物可行性的自监督学习模型，为低成本的神经形态处理器提供时空局部性突出的解决方法。

May, 2024

本研究基于大自然神经系统的启发，应用突触可塑性规则训练带有局部信息的脉冲神经网络，使其适用于神经形态硬件的在线学习。其目的在于通过应用进化算法，使得各种不同任务的学习过程变得更加简单，通过提供一组各种局部信号、数学算子和全局奖励信号来找到最佳学习规则，我们发现通过这种方法可以成功解决 XOR 和车杆任务，并发现新的学习规则优于文献中的基准规则。

Feb, 2022

本文提出了一种短时记忆 / 修正轴突延迟模块用于调节脉冲发放的时间，实现神经元轴突传输的时序信息，并在三个神经视觉公开数据集上进行验证实现。

Apr, 2022

训练在自然图像上的稀疏编码算法能够准确预测视觉皮层神经元所激发的特征，但不确定是否可以使用生物学真实的可塑性规则来学习这些代码。我们开发了一种生物物理模型的尖峰网络，仅依靠突触局部信息就能预测自然图像上 V1 简单细胞感受野的全部多样性形状，这是首次证明，稀疏编码原则在皮层结构限制下操作时可以成功地再现这些感受野。我们进一步证明，稀疏性和去相关是允许突触局部可塑性规则优化神经表达形成的合作线性生成图像模型的关键因素。最后，我们讨论了我们的网络的几个有趣的新兴属性，以期弥合视觉皮层的理论和实验研究之间的差距。

Sep, 2011

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