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
本文回顾了大规模神经科学研究中的技术和数据分析方面的缺陷,并提出了新的理论框架与方法以促进神经科学概念的进一步发展。
Mar, 2015
通过神经群体几何的角度研究神经网络的内部机制,利用统计物理学中的流形容量理论和高维统计学中的流形对齐分析,定量表征深度神经网络和猕猴神经记录中不同学习目标导致的组织策略差异,并展示这些几何分析与任务相关信息的解码能力之间的联系。这些分析为在神经网络中桥接机制和规范性理论提供了一个重要方向,可能在机器学习和神经科学中开辟了许多未来的研究途径。
Dec, 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
比较神经网络和生物电路之间的相似和不同,研究探讨了从生物学的行为和可理解的理由中深入了解神经网络从数据中学习的见解。
Mar, 2022
本研究使用元学习发现网络如何利用反馈机制和本地、仿生学习规则,以进行在线信用分配,并超越了现有的基于梯度的算法在回归和分类任务方面的性能,特别是在持续学习方面表现优异,结果表明存在一类生物可行的学习机制,不仅匹配梯度下降,而且还克服了其局限性。
Jun, 2020
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
通过权重、Jacobian 和谱规范化评估性能和对抗性鲁棒性,研究了表示平滑性和谱之间的关联,为未来探究动物和人工系统中的幂律谱和最优平滑编码机制奠定基础,从而更好地理解实现哺乳动物大脑中鲁棒神经网络和开发更加稳定可靠的人工系统的机制。
Feb, 2024
提出一种基于信息瓶颈原理的学习规则,结合了核方法,并采用 3 要素的 Hebbian 结构,其不需要精确标签,且在图像分类任务上表现与反向传播算法接近。