标签
本文提出了一种贝叶斯控制框架，将基于脉冲的动态与概率推断相结合，用于非线性动态系统的自适应控制，并使用一个脉冲神经网络模型在基准问题上进行了演示。
本文提出了SAGE，一种利用注意力派生熵自适应替代梯度以提高脉冲Transformer训练准确性的方法，并在CIFAR-10/100数据集上进行了验证。
提出 SG-JEPA，一种面向大规模动态图的联合脉冲嵌入预测架构，该架构沿时间维度将节点划分为上下文集和目标集，以学习预测性嵌入，在节点分类上取得有竞争力的性能，同时可扩展到拥有1300万条边的图，并避免了复杂的自监督机制。
介绍SpikF-GO，一种用于多变量时间序列预测的脉冲神经网络模型，该模型结合了基于图的变量间依赖建模与脉冲驱动的频谱处理，在SNN方法中实现了最先进的结果，同时降低了能耗。
Otters++ 是一种新型光学尖峰Transformer，利用首次脉冲时间编码和物理硬件衰减实现高能效推理，在GLUE上达到84.17%，同时相比之前的尖峰Transformer基线保持明显的能效优势。
本文提出了一种受生物学启发的代理安全度量阈值重新解释方法，利用脉冲神经网络，使其与人类制动行为对齐，从而在自动驾驶中架起客观与主观安全感知之间的桥梁。
XOResNet 引入了 OR-ADD 捷径连接和 XOR 元残差，以解决深度脉冲神经网络中的脉冲冗余和信息丢失问题，在 Fashion-MNIST、CIFAR-10、CIFAR-100 和 miniImageNet 上取得了最先进的结果。
介绍了一种名为 Eggroll 的低秩进化策略，用于脉冲神经网络的无梯度训练，在 N-MNIST 上减少内存和时间开销，同时达到有竞争力的准确率。
本文提出一种即插即用框架，通过LIF神经元的种群计算和轻量级位移缩放，实现Transformer非线性（如Softmax、SiLU、归一化）的脉冲友好近似，在无需微调的LLMs上准确率下降不到1%。
本文提出了一种针对脉冲神经网络的联邦学习框架，解决了边缘设备上异构时间分辨率的挑战，能够在处理时间不匹配的同时实现无需共享原始数据的协作训练。
提出针对脉冲神经网络的选择性对齐知识蒸馏（SeAl-KD），该方法通过均衡错误时间步上的竞争logits并基于置信度和时间步间相似性重新加权时间对齐，选择性地对齐类别级别和时间知识，在静态和神经形态数据集上相较于现有蒸馏方法实现了一致的改进。