本文介绍一种神经网络成长的过程，通过一种类似于生物发育的过程，使用神经发育程序 (NDP) 作为一种引导机制，进而自我组织神经网络。作者还探讨了这种方法在不同优化方法（进化训练，在线 RL，离线 RL 和监督学习）和不同机器学习基准上的实验表现，并强调了自组织驱动神经网络成长所带来的未来研究方向和机会。

Jul, 2023

受生物神经元可塑性启发，我们提出了一种搜索方法，通过寻找突触特异的赫比学习规则，使网络能在智能体的生命周期内持续自组织其权重，从而实现在一些强化学习任务中取得成功，同时对多种感官模态处理方式具有适应性。

Jul, 2020

介绍了一种新的基于熵和网络激活的集成学习方法，该方法与仅使用尖峰活动操作的尖峰率神经元修剪技术相结合，用于处理两个脑电图数据集进行分类实验，结果表明这种修剪低尖峰率神经元群集导致更好的泛化能力。

Mar, 2022

本文研究表明，神经可塑性的神经调节可被不同方式处理，并表明这种可塑性神经调节在神经网络训练上有广泛应用，可提高神经网络在强化学习和监督学习任务中的性能。

Feb, 2020

提出了一个新型的元强化学习模型，MetODS，利用动态连接权重和突触可塑性来进行连续的自我反思修改，实现了在代理策略空间中高效和强大的控制规则的学习。

Feb, 2022

本文提出了一种发育可塑性启发的自适应剪枝方法，可以动态优化神经网络结构，使其学习效率和速度得到持续和显著的提高，尤其是对于神经形态学数据集的脉冲神经网络而言。

Nov, 2022

本论文提出了一种新型的 LSM 学习模型，该模型集成了自适应结构进化和多尺度生物学习规则，该方法在不同的决策任务上的实验结果表明引入液态层的结构进化和 DA-BCM 的调节可以提高决策能力，并灵活适应规则反转。

Mar, 2023

本文提出将神经网络的神经元进行参数优化，以获得能够执行复杂计算的不同类型的神经元，并展示了如何通过演化神经元参数来解决各种强化学习任务。研究结果表明，神经元的多样性有助于提高神经网络的计算能力。

May, 2023

该研究探讨了通过细胞间的局部通信和自组织来实现神经网络的生长过程，引入了两种机制以确保保持神经元多样性，同时解决了优化稳定性和神经元多样性之间的矛盾。实验结果表明，通过这两种机制，神经发育程序在复杂运动任务中取得了与现有编码方式相当的结果。

May, 2024

利用突触可塑性，采用梯度下降算法优化反馈网络的连接权重和可塑性，使得大型反馈可塑网络可以学习、记忆、重构以及元学习各类任务。

Apr, 2018