形成离散的视觉事件记忆可以在稀疏自编码神经元产生类似海马区位置细胞的空间调谐，并能在高维空间中以最小重叠的方式离散化和覆盖底层图像空间，同时在听觉领域也能类似地经验依赖性地覆盖频率空间，最后我们展示了强化学习代理能够有效地使用这些稀疏、高维表示执行各种视觉 - 空间认知任务。

May, 2024

该研究使用神经网络学习 32 种动物的特征向量，并基于继承表示原理构建了一个 “动物空间” 的认知地图，该地图能够使用插值技术准确地表示完全新的或不完整的输入，并在不同的认知地图级别中呈现出不同的特征。

Oct, 2022

本文提出了一种计算模型，用于生成符合布局的回放以及解释如何通过布局一致的回放来驱动动物在迷宫中进行灵活的导航。

Sep, 2022

人和动物可以认识到环境中的潜在结构，并将这些信息应用于有效地导航世界。本论文开发了一个分析理论，将神经群体活动的中等统计特性与多任务学习问题上的泛化性能相联系。利用这个理论，我们发现实验观察到的因素化（或解缠）表示自然地成为多任务学习问题的最优解，同时验证了来自生物和人工神经网络数据的理论预测。这些结果将神经群体几何学与多任务学习问题联系起来，并对这些场景中的群体活动结构进行正式预测。

Feb, 2024

本研究提出了一种基于统计学习的无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统，该方法提供了鲁棒的几何感知或几何无关的表示，可用于测量轨迹的基础上进行无偏的动力学比较，并设计了一种具有最先进准确性的解码算法。

Apr, 2023

介绍了一种使用继任表示和神经网络的模型，以及单词嵌入向量，用于构建三个不同概念的认知图，从而根据输入提供多模态上下文信息，基于输入和预先存在的知识表示的相似性度量。

Jul, 2023

该研究提出了一种使用网格训练 GAN 的方法来生成三维形状，这种训练方法允许更多的表现力和空间控制，并提出了一种基于统计分析的鲁棒性评估标准。

Jul, 2021

通过训练循环神经网络在 2D 区域中进行导航任务的方式，我们发现神经网络中出现了类似于网格细胞、边界细胞和其他空间相关细胞的响应模式，这些表现形式与实验观察到的现象相吻合，表明在神经回路中，类似于网格细胞和边界细胞等细胞对于有效表示空间是自然的解决方案。

Mar, 2018

本文提出了一种计算理论，通过使用混合高斯分布模拟场所细胞的活动，并通过连续时间马尔科夫链的转移概率矩阵。通过学习环境与奖励的关联来提高老鼠行为的灵活性，实验结果表明，相较于深度 Q 网络处理的神经启发式强化学习算法，该理论可以显著提高老鼠学习效率和行为灵活性。

Apr, 2022

提出了一个名为 Space2Vec 的表示学习模型，用于将地点的绝对位置和空间关系进行编码，并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果，其特点是具有多尺度表示能力。

Feb, 2020