推理推断
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
该研究针对机器学习和认知神经科学中的中心课题提出了一种形式化的神经活动模型,该模型可以通过神经元集合的创建和操作实现某些简单的认知操作,并具有较强的泛化、鲁棒性和快速性,还可以捕捉时间和空间序列,实现通用计算。
Jun, 2023
该论文研究使用 Hamiltonian Monte Carlo 算法进行概率推断在大脑皮层中的动态行为,并阐明了皮层计算的效率在于神经振荡的加速在推断方向上的重要性。
Jul, 2014
通过实现一种基于神经网络模型的潜在因果推断(LCI)假设,本研究提供了一种生物学上可行的计算模型,该模型可以在实验室和自然环境设置中操作,从而为事件认知提供了统一的模型。
Dec, 2023
本文主要针对预测编码理论进行理论分析,展示了其与目标传播算法的紧密联系以及在一定情况下可以取得与反向传播算法相同的泛化性能,同时保持其独特的优点。
Jul, 2022
哺乳动物中枢神经系统的神经元群体通过尖峰列作为媒介进行通信,而这些神经元群体的精确编码和操作尚未被发现。本研究通过一种现代的机械模型探讨信息的表示和操作,并发现神经元群体可以通过有限凸锥的代数精确表征和操作,充当低级别编程语言的功能性操作符。当这些群体相互连接时,它们呈现简洁而强大的代数表达式,使其能够实现特化、泛化、新颖性检测、降维、逆向建模、预测和关联记忆等众多操作。此研究凸显了矩阵嵌入在认知科学和人工智能等领域推动我们理解的潜力,这些嵌入提升了概念处理和分层描述的能力。
Sep, 2023
通过研究数千个基于神经科学的任务训练的网络,我们发现基于表示几何的相似度测量在不同网络结构中可能高度敏感,并且无论架构如何,神经动力学的计算骨架通常表现出普遍性。
Jul, 2019
通过统计学习理论的通用结论,我们提出了一个模型,即通过采样网络结构的后验分布,突触可塑性和神经元网络可以进行概率推断,这个模型比现有的模型更好地解释了网络可塑性的随机特性对神经可塑性的影响。
Apr, 2015
本文基于深度学习和神经科学,介绍了一种多层神经元网络模型,该模型利用简化的树突区,实现误差驱动的突触可塑性,在时间上持续地通过局部树突预测误差进行突触学习,进而解决了长期以来的突触学分配问题,并在回归和分类任务中证明模型的学习能力。
Oct, 2018