我们研究了 IT 基础设施的自动入侵响应，并将攻击者和防御者之间的交互建模为部分观测的随机博弈。通过强化学习和自我对抗使攻击和防御策略共同演化到均衡点，我们解决了这个博弈。我们通过将博弈递归地分解为可以并行求解的子博弈，解决了之前的方法在规模较大的实际场景中随着基础设施规模指数级增长的计算复杂度问题。我们引入了名为 Decompositional Fictitious Self-Play（DFSP）的算法来解决分解后的博弈，该算法通过随机逼近来学习纳什均衡。我们在一个仿真环境中评估了学习到的策略，其中可以执行真实的入侵和响应行动。结果表明，学习到的策略接近一个均衡点，并且 DFSP 在实际基础设施配置下明显优于现有算法。

Sep, 2023

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

本文提出了一种基于 Spike-Timing Dependent Plasticity (STDP) 的监督学习算法，用于基于 Leaky Integrate-and-fire (LIF) 神经元的分层 Spiking Neural Networks。该算法经 MNIST 数据集训练后，分类精度接近于使用标准反向传播算法训练的类似结构的多层感知器模型。

Mar, 2022

本文提出了一种基于联邦学习的隐私保护和通信高效的攻击检测框架 FedDiSC，通过联合训练攻击检测模型，利用表示学习的深度自编码器网络精确检测电力系统和网络安全的异常，利用 DP-SIGNSGD 等梯度隐私保护量化方案，提高其通信效率，并在公开的工业控制系统数据集上验证了其有效性。

Apr, 2023

使用深度 - STDP 框架，将卷积网络与由 STDP 聚类过程生成的伪标签同时训练，相比于 k-means 聚类方法，在小型图像数据集上准确度提高了 24.56％且收敛速度提高了 3.5 倍。

Jul, 2023

本文提出了一种新的半监督学习方法 DP-SSL，采用创新的数据编程（DP）方案为无标签数据生成概率标签，通过自动生成标签函数并解决不同标签之间的冲突，成功缓解了有限标签数据的问题，实验证明 DP-SSL 可以为无标签数据提供可靠标签和更好的分类性能。

Oct, 2021

该论文提出了一种基于连续学习无监督回路尖峰神经网络模型（CLURSNN）的在线时间序列预测方法，利用其测量具有最高度数中心性的 RSNN 中神经元的膜电位来重构底层动态系统，并且通过拓扑数据分析，提出了一种新的利用 Wasserstein 距离作为损失函数的方法，该方法在预测演变中的 Lorenz63 动态系统方面优于现有的 DNN 模型。

Apr, 2023

该论文使用卷积脉冲神经网络和无监督的尖突时序依赖性可塑性（STDP）学习规则进行动作分类，并发现卷积脉冲神经网络可成功从视频中提取时空信息，其中的空间和时间流是互补的。

Jun, 2023

通过 Adaptive Coding Spiking Framework（ACSF）结合 Deep Reinforcement Learning 和 Spiking Neural Networks，实现了低延迟和高能效，并在强化学习中使用 ACSF 来估计值函数，并进行广泛的实验证明了该框架的有效性。

Nov, 2022

提出 Deep Squeezed-Boosted and Ensemble Learning (DSBEL) 恶意软件检测框架，利用 novel Squeezed-Boosted Boundary-Region Split-Transform-Merge（SB-BR-STM）CNN 和 Ensemble Learning 实现多样特征图和恶意全局和本地模式的精确捕捉，并使用 SVM、MLP 和 AdabooSTM1 等集成分类器进行改进，与 IOT_Malware 数据集的评估结果显示该框架具有较高准确率、F1 值、MCC、召回率和精度，有望成为未来的检测恶意活动的有效方法。

Dec, 2022