इस पत्र में, हम एक टेम्पोरल रेगुलराइज़ेशन ट्रेनिंग (TRT) विधि प्रस्तावित करते हैं जो स्पाइकिंग न्यूरल नेटवर्क्स (SNNs) की ओवरफिटिंग समस्या को हल करने के लिए एक समय-निर्भर रेगुलराइज़ेशन तंत्र प्रस्तुत करती है, जो घटना-आधारित न्यूरोमॉर्फिक डेटा प्रोसेसिंग के लिए प्रभावी है। सीधे प्रशिक्षित SNNs न्यूरोमॉर्फिक डेटासेट के सीमित आकार और ग्रेडिएंट मिसमैच समस्या के कारण गंभीर ओवरफिटिंग से ग्रस्त होते हैं, और TRT प्रारंभिक समय चरणों पर अधिक कठोर प्रतिबंध लगाकर इस समस्या को कम करता है। हम CIFAR10/100, ImageNet100, DVS-CIFAR10, और N-Caltech101 डेटासेट पर अत्याधुनिक विधियों के साथ TRT के प्रदर्शन की तुलना करते हैं, और हानि परिदृश्य दृश्य और अधिगम वक्र विश्लेषण सहित पृथक्करण अध्ययनों के माध्यम से TRT की प्रभावशीलता का सत्यापन करते हैं। इसके अतिरिक्त, हम फिशर सूचना विश्लेषण के परिणामों के आधार पर TRT के टेम्पोरल रेगुलराइज़ेशन तंत्र की एक सैद्धांतिक व्याख्या प्रस्तुत करते हैं, और TRT प्रशिक्षण के दौरान फिशर सूचना पर नज़र रखकर टेम्पोरल सूचना संकेन्द्रण (TIC) परिघटना को प्रकट करते हैं। यह एक ऐसी परिघटना है जिसमें फिशर सूचना प्रारंभिक समय चरणों में धीरे-धीरे संकेंद्रित होती जाती है, और यह दर्शाता है कि TRT का समय-क्षय नियमन तंत्र, नेटवर्क को प्रारंभिक समय चरणों में समृद्ध सूचना के साथ मज़बूत विशेषताएँ सीखने के लिए प्रेरित करके मॉडल के सामान्यीकरण प्रदर्शन को बेहतर बनाता है। स्रोत कोड GitHub पर उपलब्ध है।