基于仿生皮层的快速码本生成
该研究提出了一种新的机器学习方法，专注于复杂模式的无监督连续上下文依赖学习。论文的证明了该系统能够从原始数据中学习、识别和预测人类言语等复杂时间序列。
May, 2024
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
该论文旨在研究人类大脑皮层学习和计算的简单元算法，提出了基于随机协同训练的生物可行元算法，探索了对训练样本标签稀疏的学习过程，以及提出的算法在半监督学习中的性能表现。
Oct, 2013
人工智能（AI）是本世纪迅速发展的关键技术之一。然而，使用误差反向传播学习算法训练的深度神经网络在 AI 领域取得的大多数成果已经凸显出一些重要限制，例如计算成本高、难以量化不确定性、缺乏鲁棒性、不可靠性和生物不可行性。解决这些限制可能需要受到神经科学理论启发和指导的方案。其中一种理论称为预测编码（PC），在机器智能任务中表现出有希望的性能，具有令人兴奋的特性，对机器学习社区具有潜在价值：PC 可以模拟大脑不同区域的信息处理，可用于认知控制和机器人学，并具有基于变分推断的坚实数学基础，为某类连续状态生成模型提供了强大的反演方案。希望通过调研有助于这一方向的文献，突出展示 PC 在机器学习和计算智能的未来中可能发挥的多种作用。
Aug, 2023
本研究提出了一种稀疏情况下基于因子分解的脑机接口信号处理方法，通过采用不同的特征提取器从潜空间获取不同表示并最小化潜空间共享情况，成功地提取到了稀疏条件下的脑电信号的决定性特征。
Jun, 2022
本论文提出了一种名为 Vox2Cortex 的基于深度学习的算法，直接从 MRI 扫描中提取顶部正确且三维网格化的大脑皮层界面，相较于传统和基于深度学习的算法更快速、更精准。
Mar, 2022
本研究提出了一种基于稀疏编码和深度学习相结合的聚类方法，利用图形正则化稀疏编码算法构建 TAGnet 前馈神经网络，并通过添加聚类任务计算 DTAGnet 网络，实验结果表明该方法在效率与可伸缩性方面明显优于其他先进方法。
Sep, 2015
本研究提出一种使用进化计算来选择有用的识别脑电特征并优化人工神经网络拓扑结构的新方法，同时探讨了深度学习和长短时记忆的调整，使用三个分类器对注意状态、情感和数字数据集进行比较，结果表明自适应提升的 LSTM 可以在注意力、情感和数字数据集上分别达到 84.44%、97.06% 和 9.94% 的准确度，进化优化的 MLP 趋近于自适应提升的 LSTM。
Aug, 2019
本文介绍了一种基于仿生学模型的视觉跟踪方法，该方法模拟大脑视皮层的视觉认知机制，采用浅层神经元和高级学习机制，加速了实时学习和检测，实验证明该方法具有较高的效率、精度和鲁棒性。
Apr, 2019
我们提出了一种数据驱动的方法，自动设计针对特定问题的量子特征映射，利用特征选择技术处理高维数据，通过深度神经预测器评估不同候选量子核的性能，通过广泛的数值模拟展示了我们方法的优越性，尤其是在消除核浓度问题和确定具有预测优势的特征映射方面。我们的工作不仅释放了量子内核增强实际任务的潜力，还强调了深度学习在推动量子机器学习方面的重要作用。
Jan, 2024