通过应用局部、始终开启的可塑性规则,我们能够在由两个群体组成的递归网络中学习复杂序列,我们的模型具有资源高效性,仅需少量神经元即可学习复杂序列,我们通过鸟鸣学习的模拟中展示了这些特点,在该模拟中,我们的网络首先学习了一个长的非马尔可夫序列,尽管存在外部干扰,它们能够稳健地复现此序列。
Feb, 2024
本论文探讨了单个神经元作为时间精确和高度复杂的时空模式识别器的中心思想,与当今大多数神经科学家所持的对生物神经元为简单且主要为空间模式识别器的观点相反。它试图证明单个神经元的计算特性对神经元组成的各种脑回路以及大脑中的信息编码有深远的影响。
Sep, 2023
本文提出 Partial In-Network Training(PINning)方法,基于随机网络架构和少量的连接修改,实现突触交互和外部输入的协作而不是前馈或非对称连接,高效地产生神经序列和工作记忆,此方法能够匹配细胞分辨率成像数据,并暗示神经序列可能从较大结构的神经网络中学习而来。
Mar, 2016
该研究针对机器学习和认知神经科学中的中心课题提出了一种形式化的神经活动模型,该模型可以通过神经元集合的创建和操作实现某些简单的认知操作,并具有较强的泛化、鲁棒性和快速性,还可以捕捉时间和空间序列,实现通用计算。
Jun, 2023
本文介绍了一种针对 Leaky Integrate and Fire 神经元的高效训练算法,该算法能够训练 SNN 学习复杂的时空模式,并且通过与硬件结合的方式,展示了神经元和突触基于忆阻器的网络实现的原理及优点。
Apr, 2021
训练在自然图像上的稀疏编码算法能够准确预测视觉皮层神经元所激发的特征,但不确定是否可以使用生物学真实的可塑性规则来学习这些代码。我们开发了一种生物物理模型的尖峰网络,仅依靠突触局部信息就能预测自然图像上 V1 简单细胞感受野的全部多样性形状,这是首次证明,稀疏编码原则在皮层结构限制下操作时可以成功地再现这些感受野。我们进一步证明,稀疏性和去相关是允许突触局部可塑性规则优化神经表达形成的合作线性生成图像模型的关键因素。最后,我们讨论了我们的网络的几个有趣的新兴属性,以期弥合视觉皮层的理论和实验研究之间的差距。
Sep, 2011
通过改变丰富的时间参数,如时间常数和延迟,我们展示了网络在处理具有时间结构的任务时更加轻松和稳健的能力,并且在处理输入和权重中的噪声时,调整时间参数的优势将在神经形态学硬件设计中发挥作用。
Apr, 2024
利用复数神经元将神经元同步性的角度引入深度学习模型中,有效提高网络的灵活性和丰富性。
Dec, 2013
通过对多区域神经元网络模型的介绍,本研究提出了一种新的突触可塑性学习规则,通过基础树突上的突触修饰实现错误反向传递从而学习。并且在该框架中加入一种去抑制机制,使得该框架能够生成噪声和关注感和一些其它学习任务。
Dec, 2017
本文提出利用短期可塑性为脉冲神经网络提供与非脉冲神经网络不同的计算优势,并使用节约的局部突触可塑性模拟温度相关技术来解决网络计算困难性问题。这些网络在处理生成任务时表现出出色性能,在任务不平衡的情况下,它们甚至可以胜过传统算法。
Sep, 2017