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

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

通过研究数千个基于神经科学的任务训练的网络，我们发现基于表示几何的相似度测量在不同网络结构中可能高度敏感，并且无论架构如何，神经动力学的计算骨架通常表现出普遍性。

Jul, 2019

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

该论文提出了一种灵活的框架，将因子图和神经网络的代表性强项结合起来，形成了一种能够在任何顺序下执行计算的不定向神经网络（UNNs），并证明了 UNNs 体系结构的有效性，包括树约束依赖关系分析、卷积图像分类和序列完成等任务。

Feb, 2022

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

本文通过将矛线虫的运动回路转化为具有不同生理真实性水平的人工神经网络，评估这些网络在动态和非动态行为任务上的训练结果。研究表明，即使不保持生物特性的真实性，也可以获得使用生物电路的优势。建立生物电路结构的统计学提供了有价值的先验知识。同时，矛线虫的运动回路对于运动问题具有强大的归纳偏差，但其结构可能会妨碍其他与运动无关的任务。

Sep, 2022

我们提供了一个新的可解释性定义，展示了产生神经回路响应特性的演化约束，并展示了该框架在多个脑区和物种中研究循环处理在灵长类动物腹侧视觉通路，小鼠视觉处理，啮齿动物介董皮质的异质性以及促进生物学学习的作用。

Nov, 2023

通过研究虚拟机器人在进行腿部运动时的结构化神经活动，我们发现机器人训练后的神经轨迹比输入驱动的激励层的神经轨迹更为复杂，这一核心原则对于计算神经科学具有重要意义。

May, 2023

通过对感知神经元输入输出映射建模的深度前馈神经网络提出新的计算机制提取系统方法，将此方法应用于视网膜深层网络模型。研究揭示了视网膜的预测特征提取以及各种时空刺激下信号偏离期望的计算机制，为神经科学深度学习研究提供了　新的理论基础和研究方向。

Dec, 2019