前沿速递：AAAIICLR最新时间序列与脉冲神经网络研究精选！
脉冲神经网络（SNN）凭借生物合理性与时间编码优势，正成为时间序列分析的新兴力量。与传统深度学习模型不同，SNN通过脉冲时序传递信息，天然契合时间序列的动态特性，在捕捉时序依赖与多尺度模式上展现独特潜力。
近期研究为SNN在时间序列领域的应用提供新方向。AAAI2025及ICLR2025等顶会都有许多相关主题论文。如Temporal-Self-Erasing监督方法通过动态抑制冗余激活区域，增强SNN在时间维度的特征辨别能力，提升模型对时序数据中关键语义的捕捉精度。TS-LIF神经元模型则从结构创新入手，以双室设计分别处理不同频率成分，强化多尺度时间动态处理能力。这些进展推动SNN在时间序列预测等任务中精度与鲁棒性的双重突破。
我们精选了12篇时间序列 + 脉冲神经网络前沿论文，感兴趣的自取！
原文、姿料 这里！
【论文1】Towards More Discriminative Feature Learning in SNNs With Temporal-Self-Erasing Supervision（AAAI2025)
1.研究方法
论文提出Temporal-Self-Erasing (TSE) 监督方法，针对脉冲神经网络（SNNs）在时间维度特征辨别能力有限的问题，通过构建擦除掩码动态抑制先前时间步的高激活区域：先获取各时间步的分类预测图，对当前时间步之前的预测图取平均并经Softmax处理，结合固定阈值与动态阈值生成掩码，用其调制当前特征图，再通过全局平均池化和全连接层生成分类预测，最后对首个时间步预测和其余时间步调制预测分别应用交叉熵损失，以此鼓励网络关注更多语义区域，提升特征多样性和分类精度。
2.论文创新点
- 提出Temporal-Self-Erasing (TSE) 监督方法，通过动态抑制冗余激活区域，增强SNN在时间维度的特征辨别能力。
- 设计擦除掩码生成机制，结合固定阈值与动态阈值，精准定位并抑制先前时间步的高激活区域。
- 实现时间步自适应学习，迫使网络在不同时间步关注不同语义区域，丰富特征多样性。
- 采用单独时间步监督策略，为每个时间步设计独立损失函数，避免梯度同质化。
- 引入动态阈值调整，基于概率分数分布自适应更新阈值，平衡信息保留与冗余抑制。
论文链接：https://ojs.aaai.org/index.php/AAAI/article/view/32132
【论文2】TS-LIF: A Temporal Segment Spiking Neuron Network for Time Series Forecasting（ICLR2025)
1.研究方法
论文提出TS-LIF神经元模型，这是一种双室结构的脉冲神经元模型，通过树突和胞体分别处理不同频率成分，引入直接胞体电流注入减少信息传输损失，借助树突spike生成优化多尺度信息提取；同时建立稳定性理论分析，推导特征值条件确保模型稳健性，并通过频率响应传递函数明确双室对不同频率信号的处理分工，最终在多数据集上验证了其在预测精度和缺失数据鲁棒性上的优势。
2.论文创新点
- 提出TS-LIF神经元模型，采用双室结构（树突和胞体），分别捕获不同频率成分，增强多尺度时间动态处理能力。
- 引入直接胞体电流注入机制，减少神经元内信息传输损失，提升信号保真度。
- 设计树突 spike 生成功能，优化多尺度信息提取，增强对高低频信号的区分处理。
- 建立稳定性理论分析，推导特征值条件，确保模型在不同时间尺度下的稳健性。
- 推导频率响应传递函数，明确树突和胞体对不同频率信号的处理分工，理论支撑多尺度特征分离。
论文链接：https://arxiv.org/abs/2503.05108
代码链接：https://github.com/kkking-kk/TS-LIF
原文、姿料 这里！