通过使用复杂多模态信息、自动编码器、神经网络、异或基序和学习二进制序列等关键要素，我们提供了学习生物和计算机间的并行机制，并建议了实现类似神经网络中学习的生物实现方法。

Jun, 2024

本研究研究了计算机学习和神经科学交叉中记忆和检索数据的计算机机制，发现标准过度参数化的深度神经网络训练使用标准优化方法实现了一种用于实数数据的存储训练样本作为吸引子的 AutoEncoders 和序列编码提供了比 AutoEncoders 更有效的记忆机制。

Sep, 2019

神经科学努力提供关于动物的神经系统如何产生行为和认知状态（如意识）的解释，人工智能和机器学习则努力提供越来越好的预测模型。本研究提出了模拟器理论和神经模拟器作为生物脑活动的电路和规模无关的预测模型，无需详细的机制解释即可实现与模型化的生物有别无法区分的行为和认知状态，为神经动力学和行为的基于预测的模型提供概念和实证框架。

May, 2024

研究通过功能性磁共振成像对大脑的记录，分析了编码模型和解码模型的应用，尤其关注深度学习算法的效果、好处和限制，并总结了神经科学数据集的代表性研究。

Jul, 2023

本文探讨人类的高效持续学习如何通过多个记忆系统的神经生理机制和相互作用来实现，同时介绍了一种基于稀疏编码和多重记忆回放机制的神经网络模型，该模型可以减少遗忘。

Dec, 2022

使用神经网络学习多尺度接班人表达，进而构建认知地图和神经网络接班人表达的结构化知识表示形式，实现了在监督学习、强化学习和非空间任务中精确学习并逼真模拟了海马 - 内部子网所观察到的神经元放电模式，为克服深度学习在人工通用智能方面的一些缺陷提供了一种有前途的途径。

Feb, 2022

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

通过生物学上的神经元网络组合中的多种互补机制，可以在人工神经网络中实现连续学习。

Apr, 2023

这篇文章探讨从神经科学角度出发，在进行机器学习的探索性研究时，通过指定研究目标且明确探针设计的方向和表现性来实现对于感兴趣特征激活模式的监督模型

Apr, 2021

我们通过将与记忆相关的信息作为输入来探索一种新的脑编码模型。在视觉 - 记忆认知任务中，我们发现非视觉脑部在很大程度上可以通过先前看到的图像进行准确预测。我们的记忆编码模型（Mem）在 Algonauts 2023 视觉脑竞赛中获胜，即使没有模型集成（单一模型得分 66.8，集成得分 70.8）。我们的没有记忆输入的集成模型（61.4）也获得了第三名。此外，我们观察到周期性延迟的脑响应与第 6-7 个先前图像相关，并且海马体的活动也与这种周期性保持一致。我们推测周期性重放可能与增强工作记忆的记忆机制有关。

Aug, 2023