提出DelRec，通过微分插值训练递归突触延迟，提升SNN时序处理能力。
Alexandre Queant, Ulysse Rançon, Benoit R Cottereau 等
通过极性多脉冲映射实现几乎无损的ANN到SNN转换，首个时间步准确率高。
Hangming Zhang, Zheng Li, Chenxiang Ma 等
提出REMS框架，将COP转化为资源任务模型，设计多元元启发式算法解决多类问题。
Aijuan Song, Guohua Wu
提出ASRC-SNN，通过学习跳跃跨度改善长时序建模，显著优于传统RSNN。
Shang Xu, Jiayu Zhang, Ziming Wang 等
提出模块化GP-GOMEA，支持多树协同进化，提升符号回归的表达能力与可解释性。
Joe Harrison, Peter A. N. Bosman, Tanja Alderliesten
提出持续进化的群体控制框架，能在动态环境中快速适应新任务并保留旧知识。
Lorenzo Leuzzi, Simon Jones, Sabine Hauert 等
SpiLiFormer通过侧抑制机制提升SNNs的注意力分配，在ImageNet-1K上超越SOTA模型0.46%。
Zeqi Zheng, Yanchen Huang, Yingchao Yu 等
提出结合PFC-HPC交互的强化学习模型，实现目标导向的情景记忆调控与泛化。
Yicong Zheng, Nora Wolf, Charan Ranganath 等
RFG以随机权重扰动替代反向传播，PDE回归误差最低达0.0347并降低约66%训练计算。
Ruyin Wan, Qian Zhang, George Em Karniadakis
LCoDeepNEAT结合Lamarckian遗传算法，优化CNN架构和最后层权重，提升分类准确率。
Zaniar Sharifi, Khabat Soltanian, Ali Amiri
提出LLaMEA-HPO，结合HPO优化，显著降低LLM算法生成成本。
Niki van Stein, Diederick Vermetten, Thomas Bäck
提出空间-时间注意力机制STAtten，提升Spike Transformer性能，实验在CIFAR、ImageNet等数据集均优于空间注意力。
Donghyun Lee, Yuhang Li, Youngeun Kim 等
提出Sorbet，结合PTsoftmax与BSPN实现硬件兼容的变换器型脉冲神经网络语言模型，能节能27倍。
Kaiwen Tang, Zhanglu Yan, Weng-Fai Wong
提出OPZO训练方法，仅需单次前向传播，性能媲美空间反向传播，适合神经形态硬件。
Mingqing Xiao, Qingyan Meng, Zongpeng Zhang 等
提出新型漂移定理，实现算法运行时间的指数尾界，增强可靠性分析。
Per Kristian Lehre, Shishen Lin
提出QKFormer，基于线性复杂度Q-K注意机制的分层脉冲变换器，ImageNet准确率达85.65%。
Chenlin Zhou, Han Zhang, Zhaokun Zhou 等
Meta-SpikeFormer在ImageNet-1K上实现80%准确率，超越SOTA 3.7%。
Man Yao, Jiakui Hu, Tianxiang Hu 等
提出两项增强方法：语义子树继承与贪婪子节点选择，提升GP-GOMEA在高阶算子中的效率。
Thalea Schlender, Mafalda Malafaia, Tanja Alderliesten 等
提出CLIF神经元模型，有效缓解LIF的时间梯度消失，提升SNN性能。
Yulong Huang, Xiaopeng Lin, Hongwei Ren 等
ReEvo结合反思演化与大语言模型，提升NP-hard组合优化问题的启发式搜索效率和效果。
Haoran Ye, Jiarui Wang, Zhiguang Cao 等