自适应阈值神经元
生物论文原型
（Neural coding: A single neuron’s perspective）
PS：
目前我只看了前一部分，其中的本质思想是阈值是能随着，反转电位和电导变化而变化的。生物体的动作电位的阈值不是固定的。
其中电位的变化并不一定是一个线性相加。
- 同一个树突分支并不是线性相加（计算机角度不需要考虑这同一树突）
- 不同的树突分支大体上是线性相加，但是因为反转电位和电导变化的存在，存在非线性成分
关于计算机模型
https://patentimages.storage.googleapis.com/54/39/5b/4a39a111794a4e/CN106875005A.pdf
增加了两个自适应阈值变量，第一个阈值，是激活阈值，第二个阈值涉及重极化和不应期阈值。
生物解释：
- 第一阈值（激活阈值）：
- 第一阈值是指神经元开始产生动作电位所需的最低膜电位。这一阈值通常与突触输入强度有关，当输入信号的总和超过这一阈值时，神经元会被激活并产生动作电位。
- 第二阈值（重极化或不应期阈值）：
- 第二阈值通常指的是在神经元发放动作电位后，膜电位需要恢复到某一水平才能再次被激活。这一过程涉及到神经元的重极化和不应期。在不应期内，神经元对新的刺激不敏感，因此需要更强的刺激才能达到激活。
Scaling Up Dynamic Graph Representation Learning via Spiking Neural Networks
毕业论文最基础的一篇，里面同样是基于动态阈值。膜电位衰减在积分步骤中进行的
微分表达式子
$$
\tau \frac{d V}{d t}=-\left(V-V_{\text {reset }}\right)+I
$$
$$
\begin{aligned} \text { Integrate: } & V^t=f\left(V^{t-1}, I^t\right), \ \text { Fire: } & O^t=\Theta\left(V^t-V{\mathrm{th}}^{t-1}\right), \ \text { Reset: } & V^t=O^t V{\mathrm{reset}}+\left(1-O^t\right) V^t, \ \text { Update: } & V{\mathrm{th}}^t=\tau{\mathrm{th}} V_{\mathrm{th}}^{t-1}+\gamma O^t,\end{aligned}
$$
后面GNN的部分以后再来进行补充