本研究提出了两种概率驱动的时间脉冲变换方法，以解决脉冲神经网络中传统神经元建模的复杂性。这些方法在增强隐私性和学习性能的同时，保持了可扩展性。实验结果表明，这些时间动态提高了脉冲神经系统的生物合理性和泛化能力。

该研究比较了反向传播算法与新提出的前向学习算法，结果显示前向算法在神经网络训练中更具生物合理性和鲁棒性。实验表明，前向算法能够有效组织神经网络内部表示，减少训练时间和资源消耗，展现出优于传统方法的潜力。

该研究提出了一种名为“反馈-前馈对齐”（FFA）的学习算法，通过共同优化分类和重建任务，使得反馈连接具有视觉推理功能。该算法比传统的反向传播方法更接近生物合理性的实现，为解释视觉皮层中反馈连接支持灵活视觉功能的机制提供了有前景的概念证明。