- 构建自适应模型的模型驱动强化学习代理的部分模型
通过使用部分模型，深度模型驱动的算法可以在局部环境变化中实现适应性的快速构建和维持准确模型，并有效应对这种挑战。
- 神经模拟器理论
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 - 脑启发式的持续学习 - 面向类别增量学习的鲁棒特征蒸馏和重新巩固
通过从神经科学和现有的对抗性和持续学习研究的洞见中获得灵感，我们引入了一个新的框架，名为 Robust Rehearsal，通过特征精炼和再巩固的核心概念，解决了持续学习系统中的灾难性遗忘挑战，从而通过学习任务中的精炼体验重现和过去体验的整 - 听海之声：使用人类听觉系统的神经模型预测海洋波浪
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。
- 统计力学与人工神经网络：原理，模型和应用
神经科学，人工神经网络，统计力学，Hopfield 网络和 Boltzmann 机器是人工神经网络领域的主要研究课题。通过研究人工神经网络中的丢失函数的几何特征和可视化方法，可以提高其优化行为、泛化能力和整体性能。
- CVPRFISBe: 用于实例分割长距离细纤维结构的真实世界基准数据集
该研究通过实例分割神经系统的体积光学显微图像，为神经科学的突破性研究提供便利，能够在细胞分辨率上促进神经回路的功能和形态分析。为了解决多神经元光学显微数据的现有挑战，研究团队发布了第一个公开可用的具有像素级注释的多神经元光学显微数据集，并定 - 复发射神经网络的异质学习动力学的拓扑表示
该论文介绍了一种使用 RTD（Representation Topology Divergence）比较 Recurrent SNN 模型之间分布式表示差异的新方法，探究了使用 STDP 训练的 RSNN 的学习能力以及异质性在突触动力学学 - 玩转神经科学：神经影像学与游戏的过去、现在和未来
电子游戏对于推动人工智能、人机交互或虚拟现实等许多研究领域的进展起到了催化剂的作用。本文将分析神经科学和游戏研究之间的当前关系，并展望未来发展方向。
- 从数据中推断抽象的统一符号推理模型
从神经科学的贝叶斯方法论中汲取灵感，我们提供了一种统一的概率模型，用于从数据中进行各种类型的符号推理。我们使用经典后果关系、经验后果关系、最大一致集、最大可能集和最大似然估计来描述它们，该理论为实现类人机智能的推理过程提供了新的见解。
- 无需清洗基准图像的超分辨率技术：应用于电子显微镜
通过深度学习的图像超分辨率方法，我们可以对大脑组织中的噪声低分辨率电子显微图像进行重建，以获得清晰的高分辨率三维电子显微图像，为神经科学研究提供了新的可能性。
- 脑科学和认知心理学发现综述作为通往人工智能广泛智能的灵感可能性
该综述旨在通过研究神经科学和认知心理学的方法，为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展，但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中，以克服数据驱动的限制，并以更加 - 反馈 RoI 特征改善航空目标检测
人类的视觉系统利用高级反馈信息来指导低级知觉，以适应不同特征的信号。通过引入类似机制的反馈多级特征提取器（Flex）来改进目标检测。实验证明，Flex 在多个挑战性航空目标检测数据集（包括 DOTA-v1.0、DOTA-v1.5 和 HRS - 神经科学中的强化学习简介
强化学习和神经科学之间存在紧密的联系，本论文通过回顾经典强化学习和介绍现代深度强化学习的方法，以及其在系统神经科学中的应用，阐述了这种联系。
- 迈向具备预训练的持续学习通用框架
通过使用预训练的方法，我们提出了一个通用的框架来持续学习连续到达的任务，从一个理论的角度，我们将其目标分解为三个层次的组成部分，包括任务内预测、任务标识推断和任务适应预测，并提出了一种创新的方法来显式优化这些组件，通过参数高效的微调技术和表 - 利用类人机制削弱人脸识别卷积神经网络中预训练权重偏差的影响
卷积神经网络已被广泛应用和研究于不同领域，本研究通过迁移学习将四种经过广泛研究的卷积神经网络 (AlexNet、VGG11、VGG13 和 VGG16) 应用于情感价值分类任务，并将其性能与人类数据进行比较，结果显示这些卷积神经网络在某种程 - Julearn: 机器学习模型的无泄漏评估和检查的易用库
机器学习在神经科学中的应用是一个具有挑战性的领域，本文介绍了 julearn 这一开源 Python 库，用于设计和评估复杂的机器学习流程，以简化研究项目中常见的陷阱。
- 代表性对齐的达成
生物和人工信息处理系统形成世界的表示，以用于分类、推理、规划、导航和决策。研究这些不同系统形成的表示在多大程度上一致？不同的表示是否仍然可以导致相同的行为？系统如何修改其表示以更好地匹配另一个系统的表示？研究表示对齐的这些问题是当代认知科学 - MM通过认知科学原理推进人工智能的感知能力
通过对认知科学和人工智能的比较研究，本文旨在以认知科学为基础构建基本的人工智能研究模块，并提供了一系列通过认知科学启发的人工智能方法，以开发更好的感知系统。
- 非侵入性脑刺激中的语义发布：rTMS 研究的综合分析
采用计算机科学的语义报告方法，标准化记录神经科学 NIBS 研究，通过知识图谱为大规模的 rTMS 研究实现 FAIR 语义发布。
- 神经表征的拓扑和几何
探索了拓扑脑表示相似性分析（tRSA），一种推广了脑表示相似性分析（RSA）的几何与拓扑摘要统计的家族，该方法可用于表征脑表示的拓扑特征并在噪音和个体变异性方面具有鲁棒性，在模拟和功能性磁共振成像（fMRI）数据上进行了评估。