本文介绍了一种基于递归神经网络（RNN）的神经元群体动态行为的建模方法，该方法经过 macaque 大脑皮层的四个数据集的测试，效果较其他模型更好，其中，RNN 的自回归偏差是实现最高水平性能的关键因素之一。此外，提出了一个新的混合架构，将 RNN 与自我关注补充在一起，从而进一步提高性能。

Apr, 2023

使用基于数据驱动的动态系统理论的最新进展和一种新的相似度度量方法，我们能够比较两个递归神经网络并识别它们之间的动态结构，同时能以无监督的方式区分学习规则。

Jun, 2023

本研究提出了一种基于状态空间模型的计算动力学分析方法，结合 PLRNN 和 fMRI 等神经成像数据，可以深入分析神经系统的非线性动力学特征，并为神经系统的临床评估和神经科学研究提供新的方法。

Feb, 2019

我们提出使用变分顺序蒙特卡洛方法拟合随机低秩递归神经网络，验证了该方法在多个数据集上的有效性，并展示了对具有分段线性非线性性质的低秩模型进行高效识别的方法，可为大型递归神经网络的推断动态分析提供可行性。

Jun, 2024

作者们通过投影加权规范相关分析法（projection weighted CCA）研究神经网络的表征学习。研究发现，广泛的神经网络更容易获得相似的表征，与学习速率相关的神经网络收敛到具有不同表征的不同聚类中，RNN 随着时间的推移呈自底向上的模式聚合，而其隐藏状态在序列的不同时间间隔内变化较大。

Jun, 2018

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

在复杂的大规模架构中，深度神经网络的表征学习动态可以用编解码映射为任意平滑函数的有效理论来描述，该理论能够概括多种不同激活函数和架构的深度网络的表征学习动态，并展现类似于 “丰富” 和 “懒惰” 区域的现象。

Feb, 2024

本文利用动态系统分析工具来反向工程文本情感分类的循环神经网络，证明训练过的循环神经网络可以收敛到高度可解释、低维表示的固定点，并揭示循环神经网络内部存在近似线吸引子的机制以量化的方式解释循环神经网络完成情感分析任务的过程。此外，该机制在多个数据集和不同架构下仍然存在，呈现出令人惊讶的通用性和可解释性。

Jun, 2019

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

通过研究大规模可视化模型中循环神经网络（RNN）的表征动力学，发现推理过程中表征持续演化，且错分表征表现出较低的 L2 范数激活模式，并更靠近读出区域的边缘，这种排列方式有助于错分表征随时间进展逐渐进入正确的区域，结果对于理解自然任务中 RNN 动力学具有普适意义。

Aug, 2023