神经系统的系统辨识:如果我们才是,我们会知道吗?
通过对比深度神经网络与生物神经元记录的研究,本文提出了一个系统鉴定研究,重点比较单张图片和视频理解模型在视觉皮层记录方面的效果,并通过实验和模拟环境的设置,对超过 30 种不同模型进行了比较,揭示了视频理解模型优于图片理解模型,卷积模型在早期 - 中期区域的效果优于基于变换器的模型(除了多尺度变换器在这些区域表现良好),双流模型优于单流模型的关键观点。
Feb, 2024
提出了一种卷积神经网络 (CNN) sparse 的架构,可扩展到数千个神经元和短期记录,可以端到端地训练,从而克服了 CNN 拟合神经数据中感受野位置估计的主要瓶颈,该模型的表现优于现有的小鼠初级视皮层系统识别模型。
Nov, 2017
本论文概述了生物神经网络为灵活认知所需的特征,讨论了神经网络体系结构的系统级通信和重复性以及短期拓扑变化对于机器学习模型的贡献,并说明人工系统中测试这些归纳偏见有助于理解领域通用认知的生物学原则。
Mar, 2023
使用表征相似性分析来评估待选网络内部激活与固定高性能教师网络的相似性可以提高搜索效率。结果表明,这种方法可以以比现有算法更低的计算成本发现相关于已知算法性能的卷积细胞结构,并且只需使用灵长类视觉系统中大约 300 个神经元的测量数据即可实现优于基于性能的搜索方法的结果。
Aug, 2018
本研究旨在探讨利用收集的神经元电信号数据,结合神经科学的领域知识,通过一定的条件,实现高维组合函数的稀疏非线性模型复原。研究发现,权重的符号约束是实现神经电路模型复原的必要条件,并在模拟生物电路实验中,通过理论和实验得出了相关结论,最终在小鼠视网膜的视神经元电路数据中对实验进行了案例研究,展示了本方法在实践中的潜力。
Jun, 2021
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
本文提出了一种基于状态空间模型的、定制化神经模型结构及两种自定义拟合标准,通过优化隐藏状态与神经网络参数以最小化测量输出和估计输出之间的差异,同时保证优化状态序列与估计系统动态一致,从而证明了该方法的有效性,进而在三个案例研究中应用于系统辨识基准测试。
Jun, 2020
本文研究了深度神经网络在建模具有复杂行为的动态系统方面的有效性,并在选择的公开系统识别数据集上进行了类似的评估。实验证明,深度神经网络是输入输出数据的有效模型估计器。
Oct, 2016