通过受感官皮层网络启发的特征提取方法,提出了一种名为 bioinspired cortex 的算法,它可以从压缩形式的流信号中收敛到正交特征,比传统的聚类算法更加高效,具有更好的泛化性能,可以用于金融、网络安全和医疗保健等大范围应用中的机器学习基本组件,如推理、异常检测和分类。
Jan, 2022
通过元学习技术,在跨数据集的情况下,训练大规模的大脑连通性图谱数据集,提出了基于元学习的数据高效训练策略,并通过图神经网络框架,包括变换式的跨数据集任务权重自适应等,得到了更高效和更稳定的性能,为了更好地研究疾病间和数据集间的相似性,提出了新的见解。
Jun, 2022
从机制设计的角度探究皮层学习的过程,研究表明基于离散化的标准神经元模型和突触可塑性设计下,神经元会根据打分规则达到最优表现,而这些打分规则恰当而准确地表达了神经元突触权重和 Spike 单位的期望效用和高得分结果,基于这些发现,提出了一种生物学上可行的机制,通过反向传播动机来优化神经元对大脑其他部分的作用,并展现了该机制能够实现简单任务的学习。
Jan, 2014
该研究探讨了大脑皮层神经回路中突触可塑性、神经元之间的连接和电信号传递,指出如何通过训练循环神经网络学习新任务并改变环境适应能力,同时发现人工网络和真实大脑使用相似的计算策略。
Dec, 2022
本文提出了一种神经形态混合学习模型,该模型实现了元学习局部可塑性和多尺度协同学习的降低维度的脉冲神经网络。在多个任务中展示了该模型的性能,包括在神经形态视觉传感器中的少样本学习、连续学习和容错学习。该模型表现出比单一学习方法显著更高的性能,并展示了在嵌入式应用方面的应用优势。
Jun, 2020
提出了一个受海马体和前额叶皮质启发的生物学上可行的元学习模型,其使用尖峰神经网络和基于奖励的学习系统来实现在低数据条件下的快速学习并避免了灾难性遗忘,并且可以轻松地应用于脉冲神经形态学设备和在 few-shot 分类任务中展示了其与现有技术的竞争力。
Jun, 2023
本研究使用元学习发现网络如何利用反馈机制和本地、仿生学习规则,以进行在线信用分配,并超越了现有的基于梯度的算法在回归和分类任务方面的性能,特别是在持续学习方面表现优异,结果表明存在一类生物可行的学习机制,不仅匹配梯度下降,而且还克服了其局限性。
本论文通过 meta-learning 和神经协调的方法提出了一种新的途径,解决了深度神经网络的不确定性和在新环境中适应的问题,从而达到构建具有自主智能的机器的目的。
May, 2023
本文考虑在神经科学和机器学习之间建立联系,提出脑部通过优化各式各样的代价函数来实现数据高效学习和定向行为,其中包括关注、递归等结构体系和各种形式的短时和长时记忆存储,作者提出了未来神经科学试图改进和检验这些假设的方向。
Jun, 2016
本文探讨了一种更具生物学可行性的深度表示学习方法,通过一种基础学习规则(即基于突触权重更新的时序相关型可塑性)引出一种机器学习的梯度下降算法,利用神经元动态学实现了近似的变分 EM 算法,提出了使用去噪自编码器实现梯度的方法,并将其在生成学习任务上加以验证。
Feb, 2015