深度学习与神经科学的集成
本论文概述了生物神经网络为灵活认知所需的特征,讨论了神经网络体系结构的系统级通信和重复性以及短期拓扑变化对于机器学习模型的贡献,并说明人工系统中测试这些归纳偏见有助于理解领域通用认知的生物学原则。
Mar, 2023
利用大型神经成像数据集中的连接性图谱等手段,改善边缘端机器学习的效率和鲁棒性,并通过对果蝇和哺乳动物视脑回路连接等领域的分析,展示了多种潜在的应用脑科学领域洞见的方法。
May, 2023
研究了神经科学的机制对 AI 算法的发展具有重要价值,人工神经网络应该借鉴大脑神经元的学习方式,建立个性化的错误空间以预测更加准确的类别和特征,取得更好的迁移性能。
Jun, 2023
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
本文研究了神经网络在模拟神经电路的结构和功能方面的表现,通过对啮齿动物和果蝇的头部定向系统进行的研究,证明了神经网络可以自然地产生指南针神经元和移位器神经元等不同类别的神经元,其结果表明,人工神经网络可用于在神经活动和解剖组织层面上研究大脑。
Dec, 2019
本文回顾了人工神经网络历史并将现代理论神经科学应用于深度学习领域中的实验,使用迭代幅值剪枝来训练稀疏连接的网络,发现仅仅靠权重稀疏并不能提高图像的噪声鲁棒性,最近,开发出利用权重稀疏性,活性稀疏性和主动树突建模来方便持续学习的模型,本文重新验证了这些发现,并将该方法扩展到更具挑战的连续学习任务上,并公开了代码。
Sep, 2022
本文综述了现有的方法,囊括了计算机领域中的神经体系结构搜索、自动化方法和深度学习等方面,内容包括常用的体系结构搜索空间和基于强化学习和进化算法的体系结构优化算法、模拟模型和单次模型。同时,文章对新的研究方向进行了探讨。
May, 2019