利用树突特性推进机器学习和神经启发式计算
利用生物树突的结构连接性和受限采样特性,提出了一种新的人工神经网络架构,通过不同的学习策略实现对多个类别的响应,使得树突人工神经网络在图像分类任务中具有更高的鲁棒性和更低的可训练参数数量。
Apr, 2024
通过生物学对神经元的性质进行深度学习网络的架构设计和实现,成功地解决了动态情境下的任务适应及多任务学习问题,进一步说明了神经元的生物学特征可以启示深度学习系统解决传统神经网络无法解决的动态场景中的问题.
Dec, 2021
通过引入一种模拟树突分支节段的多功能电路,本研究揭示了树突在生物感知以及神经网络构建中的重要作用,并证明可以纯由树突电路构建神经元网络。
Oct, 2023
这篇论文调研了模拟生物可行的信用分配规则在人工神经网络中的多个重要算法,并讨论了它们在不同科学领域的解决方案以及在 CPU、GPU 和神经形态硬件上的优势,最后讨论了未来需要解决的挑战,以使这些算法在实际应用中更加有用。
Feb, 2024
这篇论文总结了神经元模型的优点、缺点和适用性,分析了网络拓扑的特性,并从无监督学习和监督学习的角度回顾了脉冲神经网络算法和基于突触可塑性规则的无监督学习算法以及四类监督学习算法,最后专注于国内外正在研究的类脑神经仿真芯片的综述。通过系统的总结,论文旨在为初入脉冲神经网络研究领域的同行提供学习概念和研究方向。
Sep, 2023
本篇论文全面综述了现今人工神经网络中基于仿生学学习机制的表示,研究了加入更多仿生意义机制如突触可塑性以加强网络能力的可能性和挑战,并找到未来的研究方向,以更深入理解智能的本质。
May, 2023
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
通过对受神经生物学启发或影响的人工神经网络中进行信用分配的算法的调查,我们提出了一个分类法,根据学习算法回答复杂自适应神经系统突触可塑性机制的核心问题的方式,整理了不断增长的大脑启发学习过程集合为六个通用家族,并在反向传播和其已知批评的背景下考虑了这些家族,结果旨在鼓励未来在神经仿真系统及其组成学习过程的发展,从而在机器学习、计算神经科学和认知科学之间建立良好的桥梁。
Dec, 2023