深度语言模型（DLMs）为理解人脑中自然语言处理机制提供了一种新的计算范式。通过使用分层连续数值向量来表示单词和上下文，DLMs 与传统的心理语言学模型不同，从而产生了大量新兴应用，如人类般的文本生成。本文通过展示 DLMs 的分层层次结构可以模拟大脑中语言理解的时间动态性，从而证明了 DLMs 的层深与层是否最能预测人脑之间存在强相关。我们利用高时序分辨率的电皮层图谱（ECoG）数据记录参与者在听取一个 30 分钟叙述时的神经活动，同时将相同的叙述输入高性能 DLM（GPT2-XL）中。然后，我们提取 DLM 的不同层中的上下文嵌入，并使用线性编码模型预测神经活动。首先，我们关注下额下回脑回（IFG），然后扩展我们的模型，跟踪语言处理层次结构中从听觉到句法和语义区域的渐增时态感受窗口。我们的结果揭示了人类语言处理和 DLMs 之间的联系，DLM 的信息逐层累积上下文与高级语言区域的神经活动时机形成镜像关系。

Oct, 2023

通过引入 Articulatory Generator 至 Generative Adversarial Network 范式，我们提出了一种新的无监督生成语音生成 / 合成模型，它通过学习以完全无监督的方式生成关节表征（电磁关节成像术或 EMA）更加贴近于人类语音生成。研究表明，该网络学会了像人类一样在语音生产过程中控制关节，还能够生成训练分布中存在和缺失的词语，因此对人类语言的认知模型和言语技术产生了重要的影响

Oct, 2022

通过利用音韵信息和对象信息来发现言语单元的全新无监督学习方法，能够同时根据多种模态（即视觉、触觉和听觉）使用对象信息，该方法基于非参数贝叶斯双连音分析器（NPB-DAA）发现音素和单词以及多模态潜在狄利克雷分配（MLDA）分类来自对象的多模态信息，实验表明，所提出的方法比现有基准方法具有更高的词汇发现性能。

Jan, 2022

利用深度语言模型与人脑之间的相似性，以模型为基础的方法成功地复制了一项神经元相关语言研究，比较了听取常规和乱序叙述的七名受试者的功能磁共振成像，并进一步扩展和精确到 305 名听取 4.1 小时叙述故事的个体的脑信号，从而为大规模且灵活地分析语言的神经基础铺平了道路。

Oct, 2021

这篇论文介绍了 CiwaGAN 模型，它是结合了无监督的发音建模和通过听觉模态进行信息交流的人类口语习得模型。该模型是第一个将这两个组件结合到一起的研究，同时还提出了一个具有更易解释的内部表示的改进发音模型。提出的 CiwaGAN 模型是使用深度学习对人类口语习得进行最逼真的近似模型，对认知合理的人类言语行为模拟非常有用。

Sep, 2023

通过实验，我们展示了一个仿生学上可行的模拟语言器官，由风格化但逼真的神经元、突触、大脑区域、可塑性和感知模型组成，通过希伯规可塑性完成了语言习得的重要早期阶段：只从有限的句子输入中学习名词、动词及其含义。

Jun, 2023

本研究介绍了一种基于卷积神经网络的图像识别系统，将语音文件转换为图像并用于智能家居中的语音识别、发言者识别和可懂性评估任务，并提出了基于级联结构的多网络语音识别系统，达到了 92.3% 的准确率。

Jul, 2023

该文就深度学习模型 GPT 作为人类语言处理神经模型的适用性进行探讨，认为由于 GPT 在学习量、逻辑访问等方面与人类语言处理存在根本差异，因此必须采取补充方法探索大脑和认知之间的关系，并在学习和发展的基础上进行进一步研究。

Oct, 2022

比较神经语言模型和心理可信模型，发现心理可信模型在多种多样的背景下（包括多模态数据集、不同语言等）表现更优，尤其是在融合具象信息的心理可信模型中，对单词和段落层面的大脑活动预测表现最佳。

Apr, 2024

该研究提出了神经 3D 关节先验（NAP），这是第一个合成 3D 关节物体模型的 3D 深度生成模型，可以通过设计关节树 / 图参数化来生成关节物体，同时使用图 - 注意力去噪网络捕获几何和运动结构的分布，并使用一种新颖的距离度量来评估生成质量。

May, 2023