通过替代传统的 LSTM，本文证明了用 spiking neural networks 采用 surrogate gradient method 算法进行训练可在连续语音识别任务中替代 LSTM，并表现出良好的性能和抗梯度爆炸问题的稳健性。

Dec, 2022

本研究通过实验，评估了最先进的神经网络作为 “可计算的、优化的观察者” 在语音识别方面的表现，并发现了人类和人类机理学习中的不同之处，为听觉认知科学和工程之间建立更紧密的联系提供了启示。

Apr, 2022

本文阐述了训练脉冲神经网络时通常遇到的问题，并通过指导读者了解突触可塑性和数据驱动学习的关键概念，概述了现有方法并介绍了代理梯度方法，这是一种特别灵活和有效的克服上述挑战的方法。

Jan, 2019

本文介绍了一种使用新颖代理梯度和可调谐自适应尖峰神经元的循环网络，将基于脉冲的神经网络的性能提高至具有挑战性的时间域基准的最新水平，并展示了这些 SNN 的计算效率比具有可比性能的 RNN 高出一到三个数量级，从而使 SNN 成为 AI 硬件实现的有吸引力的解决方案。

Mar, 2021

通过从脑电图数据直接提取个性化的癫痫网络动力学预测模型，将基于主导的相干振荡及其动力耦合的模型与精确的个体特征相结合，我们展示了周期性脑刺激对癫痫网络动力学的治疗效果进行模型驱动的预测分析，从而推断出周期性脑刺激可以使癫痫网络动力学的病理状态转向正常的功能性脑状态。

Oct, 2023

本研究提出了一种利用可微分脉冲神经网络模型的梯度下降方法，解决以往基于静态神经元的网络模型无法处理脉冲信号信息处理的问题。实验结果表明该方法可以优化脉冲神经网络的动态行为与行为时间的关系，并为基于脉冲信号的神经计算提供了通用的监督学习算法。

Jun, 2017

本论文针对语音识别的问题，提出自我监督学习可能是解决这一问题的一个更好的选择，核心是自己生成特征，通过自我监督可以获得和人脑工作方式类似的神经网络模型，帮助理解语言习得和人脑在语音处理方面的机理。

Jun, 2022

本文提出了一种估算脉冲神经网络突触权重目标函数梯度的方法，通过测量神经元膜电导动态扰动对目标函数的影响波动，可适用于具有动态突触的传导模型神经元的循环网络，可以解释为一种生物学上合理的突触学习规则。

Jan, 2006

通过对 SincNet 的研究，我们证实了端到端系统确实能够学习到已知的滤波器结构，但是我们还展示了更宽带的滤波器对已学习的结构也很重要，标准的机器学习架构需要被改进以允许这个过程被神经仿真。

Aug, 2022

通过引入一种名为 Spiketrum 的神经脉冲编码模型，该模型将时间变化的模拟信号（通常是听觉信号）转换为计算高效的时空脉冲模式，实现了稀疏有效的编码方案，通过精确可控的脉冲速率，便于在各种听觉感知任务中训练脉冲神经网络。我们进一步通过神经型耳蜗原型探究了算法与硬件的协同设计，证明我们的方法可以通过完全利用基于脉冲的计算的优势，为基于脉冲的人工智能提供系统性的解决方案。

Sep, 2023