神经听觉机器智能 (NEURO-AMI) 透视
将人工神经网络与神经科学整合可显著提高任务性能,通过将回声状态网络重新设计来模拟大脑听觉系统,实现了实时海波预测,为海洋能源生产提供了一个高效的工具。
Apr, 2024
人工智能(AI)是本世纪迅速发展的关键技术之一。然而,使用误差反向传播学习算法训练的深度神经网络在 AI 领域取得的大多数成果已经凸显出一些重要限制,例如计算成本高、难以量化不确定性、缺乏鲁棒性、不可靠性和生物不可行性。解决这些限制可能需要受到神经科学理论启发和指导的方案。其中一种理论称为预测编码(PC),在机器智能任务中表现出有希望的性能,具有令人兴奋的特性,对机器学习社区具有潜在价值:PC 可以模拟大脑不同区域的信息处理,可用于认知控制和机器人学,并具有基于变分推断的坚实数学基础,为某类连续状态生成模型提供了强大的反演方案。希望通过调研有助于这一方向的文献,突出展示 PC 在机器学习和计算智能的未来中可能发挥的多种作用。
Aug, 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
由于深度神经网络在高风险领域应用时存在的不透明性,本文提出了一种名为神经添加模型(NAMs)的方法,将神经网络的表现力和广义可加模型的内在可解释性结合起来,令其在高风险领域有更好的应用前景,同时 NAMs 表现出了良好的性能,其可用于多任务学习及建立更复杂可解释的 COVID-19 模型。
Apr, 2020
本文探讨了如何利用深度学习来研究神经健康以及在算法模型中解释神经分析的困难。其重要贡献在于调查死亡神经元对人工神经网络性能的影响,以评估这些发现在生物领域的潜在应用,可能对神经系统疾病的治疗有重要影响。
Jun, 2023
提出 “集成信息” 概念解决了人工智能长期受制于处理数据而非处理信息的困境,将智能解释为信息处理的产物,不再需求仿生人脑来实现信息处理,探究了这种人工智能系统设计哲学的变革。
Feb, 2015
本文通过加入新神经元到深度神经网络的层中,探索了连续学习的潜力,并通过 MNIST 手写数字数据集和 NIST SD 19 数据集证明了神经发生有助于解决适应性机器学习算法中的稳定性和可塑性两难问题。
Dec, 2016
磁共振成像(MRI)与人工智能(AI)的复兴密切相关。通过利用 AI 在大规模优化和模式识别方面的能力,创新方法正在改变 MRI 采集流程,包括规划、序列设计和纠正采集伪影。这些新兴算法在增强采集步骤的效率和吞吐量方面展示了重要潜力。本综述讨论了神经 MRI 采集中几种重要的基于 AI 的方法,重点关注其技术进展、对临床实践的影响和潜在风险。
Jun, 2024