SEW ResNet在深度SNN中实现残差学习，提升准确率与时间步长。
Wei Fang, Zhaofei Yu, Yanqi Chen 等
DIET-SNN通过优化膜漏和阈值，实现低延迟高效能的深度脉冲神经网络，ImageNet上达到69%准确率。
Nitin Rathi, Kaushik Roy
提出基于首次脉冲时间的学习规则，利用Leaky Integrate-and-Fire神经元实现误差反向传播，适用于BrainScaleS-2平台。
Julian Göltz, Laura Kriener, Andreas Baumbach 等
引入两套基于脉冲的语音分类数据集，结合生理启发的音频到脉冲转换，验证脉冲时序对分类性能关键。
Benjamin Cramer, Yannik Stradmann, Johannes Schemmel 等
采用三种GP算法及随机搜索构建紧凑特征，利用21个数据集验证仅用两特征即可媲美全特征集，GP-GOMEA表现最佳。
Marco Virgolin, Tanja Alderliesten, Peter A. N. Bosman
论文以比特提取证明ReLU速率相图：r/d<p≤2r/d可行，周期激活近指数。
Dmitry Yarotsky, Anton Zhevnerchuk
POET通过环境生成与智能体优化实现无限复杂多样的自主探索。
Rui Wang, Joel Lehman, Jeff Clune 等
提出基于风格的生成器架构，自动分离高层属性与随机细节，提升图像质量与可控性。
Tero Karras, Samuli Laine, Timo Aila
提出神经元归一化和直接学习算法，在CIFAR10上实现高性能SNNs。
Yujie Wu, Lei Deng, Guoqi Li 等
SLAYER方法解决尖峰神经网络的非可微性问题，实现MNIST等数据集的最先进性能。
Sumit Bam Shrestha, Garrick Orchard
将不平等厌恶引入多智能体强化学习，提升序贯社会困境中的合作。
Edward Hughes, Joel Z. Leibo, Matthew G. Phillips 等
提出正则化进化算法，演化出超越人工设计的AmoebaNet-A，达成83.9%/96.6%的ImageNet准确率。
Esteban Real, Alok Aggarwal, Yanping Huang 等
子流形稀疏卷积网络在保持稀疏性的同时实现了与最先进方法相当的性能，计算量减少50%。
Benjamin Graham, Laurens van der Maaten
采用反向传播在BrainScaleS晶圆级模拟系统中训练深度脉冲神经网络，准确率由72%提升至95%。
Sebastian Schmitt, Johann Klaehn, Guillaume Bellec 等
提出可微物理引擎，结合深度学习优化机器人控制参数，显著提升优化效率。
Jonas Degrave, Michiel Hermans, Joni Dambre 等
提出了一种自集成方法，将SVHN错误率从18.44%降至7.05%。
Samuli Laine, Timo Aila
利用softmax概率检测神经网络中的误分类和分布外样本，提升检测准确率。
Dan Hendrycks, Kevin Gimpel
提出DoReFa-Net，低比特宽度权重激活和梯度训练，达成与32位相当的准确率。
Shuchang Zhou, Yuxin Wu, Zekun Ni 等
提出基于LSTM的学习优化器，将优化算法作为学习问题，显著优于传统方法。
Marcin Andrychowicz, Misha Denil, Sergio Gomez 等
通过深度生成网络(DGN)改进激活最大化(AM)，生成高质量、可解释的神经元偏好输入。
Anh Nguyen, Alexey Dosovitskiy, Jason Yosinski 等