RNNs trained on compositional tasks can exhibit functional and anatomical modularity when applying brain-inspired modular training, leading to improved performance and potential applications in neuromorphic computing and enhancing interpretability of neural network architectures.

Oct, 2023

运用理论图分析研究单独收集自健康人体的结构连接和静息状态功能连接数据集，旨在寻找结构和功能共享的主要特征，揭示了结构功能模块的存在，说明大脑结构和静息状态动力学之间的强相关性。

Oct, 2014

本研究发现 43 种不同生物的代谢网络都组成许多小而高度连通的拓扑模块，这些模块以层次方式组合成较大且不太紧密的单元，其数量和聚类度遵循幂律定律，而在大肠杆菌中，所揭示的分层模块化与已知的代谢功能密切相关，表明确定的网络架构可能是细胞组织化的通用方式。

Sep, 2002

通过使用在系统神经科学任务上训练的循环神经网络，本研究调查了相关网络中模块化结构的特定功能角色、起源和动力学含义等重要特征。研究表明，模块是功能上连贯的单元，有助于专门的信息处理；模块是通过输入层到循环层的投射中的符号和权重的不对称性自发形成的；而且模块在控制系统行为和动力学中具有类似角色的连接。结合起来，我们的研究结果阐明了功能连接模块的功能、形成和操作意义，为进一步研究大脑功能、发展和动力学奠定了基础。

Oct, 2023

通过具备多重尺度的完全描述网络层次结构的嵌套概率模型，可避免现有方法的局限性，在更高的分辨率下检测模块化结构并确保不产生伪模块，且具有一般性和可扩展性，适用于大型网络的高效算法

Oct, 2013

本文介绍了多尺度脑网络结构的内容、方法和现状，并提供了实证证据、网络方法和当前领域的前沿和未解决问题。

Aug, 2016

通过渐进式的模块化增长，研究表明，模块化网络在记忆任务上具有更好的性能、更强的泛化能力和对某些扰动的鲁棒性，即使只有模块之间的连接被训练，结构拓扑引入的归纳偏置足够强大，使得网络在固定了模块内连接的情况下仍能表现良好，并且逐渐模块化增长的循环神经网络能够在进化时间尺度上学习越来越复杂的任务，并且有助于构建更可扩展且可压缩的人工网络。

Jun, 2024

本研究提出了一种基于逐层单元剪枝和网络分析的方法，用于揭示任务中底层次模块的分层结构，结果表明该方法可以适用于布尔函数和视觉任务。

May, 2023

本文提出了一个新的可解释性变换器模型，用于联合分层聚类识别和脑网络分类，以实现对脑区功能组织的可行洞察。

May, 2023

提出了一种新的基于网络分析的方法，通过检测具有相似连接模式的单元的社区或聚类，从分层神经网络中提取全局和简化的结构，并通过实验验证其有效性，从而实现了分解网络、训练评估和数据分析等目的。

Mar, 2017