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

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

认知地图通过整理和检索记忆中的上下文，提供了高效组织大脑信息的方法。通过使用基于继任表示的多模式神经网络，我们可以成功建立认知地图模型。多模式输入包括图像和单词嵌入，网络通过学习不同输入之间的相似性，实现了对认知地图的有效表示。预测网络可以用于从一种模态推断到另一种模态，并且具有超过 90% 的准确率。这种方法有望改进当前的人工智能系统，提高对环境和不同模态下物体出现的理解能力。

Dec, 2023

研究提出了一个分层主动推断模型，以应对从基于像素的观察中推断世界结构的挑战，其中包含认知地图，客体 / 自体世界模型和目标导向行为，能够在基于房间的小型网格环境中实现高效的探索和目标导向搜索。

Jun, 2023

介绍了一种层次感知模型，结合认知地图、空间感知和位置运动，通过基于像素的观察推断出环境结构，并能在迷你格环境中进行高效探索和目标导向搜索。

Sep, 2023

记忆与预测与规划密不可分。灵活的生物和人工智能代理行为取决于学习过去和预测未来在不断变化的环境中的相互作用。本章回顾了计算、行为和神经证据，表明这些过程依赖于学习经验的关系结构，即认知地图，并得出两个关键点。首先，这些记忆结构以多尺度、紧凑的预测性表示形式组织在海马体和前额皮质层次结构中。其次，我们认为这种预测性记忆结构对海马体和前额皮质的互补功能至关重要，既能回忆出详细一致的过去片段，又能以不同尺度对经验进行概括，以实现高效的预测和规划。这些见解提升了我们对大脑中记忆和规划机制的理解，对推进人工智能系统具有重要意义。

Jan, 2024

我们提出了一种算法来解决多任务学习中的转移问题，该算法结合了因子化表示和非参数、基于记忆的方法，并利用后继表示法来提高转移能力和性能表现。同时，该算法提供了一个更好的神经生物学模型来解释海马体区域的空间编码特征。

Jun, 2019

神经网络学习过程中，通过自组织映射可以视觉和计算地检测神经网络各层激活向量与抽象概念之间的对应关系，并且相对熵可以用作一种合适的方法来识别和定位概念的神经表示，实现概念的可视化并理解其在解决预测任务中的重要性。

Dec, 2023

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

本文研究了语言模型的最佳规划能力，可以构建给定环境的认知地图，实验证明认知地图显著提高了网格世界路径规划任务中的规划生成能力，同时展示了与人类认知类似的两个关键特征：将规划能力泛化到外推环境和有限训练数据下的快速适应。希望本研究结果能够为基于语言模型的模拟人类认知流程提供启示，从而开发出更先进、更健壮的系统，更好地模拟人类思维。

Jun, 2024