- 走向神经人工智能：将神经多样性引入人工神经网络
论文介绍了神经多样性对于人工神经网络的重要意义，并探讨了如何将神经多样性引入人工网络以解决其固有问题，例如效率、可解释性和记忆问题。
- EMNLP分析声学单词嵌入的表征几何
本研究对英语发音学习到的声学单词嵌入进行了分析，发现学习目标对模型架构的表示特征具有显著的影响。
- 大脑和语言模型中语言属性的联合处理
本论文探讨了语言模型和大脑之间语言处理的关系，指出语言模型中特定的语言学信息对大脑对语言刺激的反应有显著的影响，并提供了新的方法来揭示两个系统之间的信息处理.
- 感知运动学习的神经主动推断模型
本研究通过系统性探索视觉 - 运动任务的一种方法，测试了主动推理框架的能力，该框架基于当代的神经科学，并通过基于奖励的学习产生像人类一样的行为。我们提出的神经主动推理代理模型使用人工神经网络来选择动作，以便根据它们将揭示的任务环境信息的非常 - 将聚类视为不适定问题：K-Means 算法实验
本文研究了基于 KMeans 算法的聚类过程作为反问题的特殊情况，探索了通过主成分分析来改进聚类反问题质量的尝试，并比较了两种定量特征选择方法之间的关系。使用神经科学数据库中的功能性磁共振成像范例来验证结果。
- 具有预测处理相邻策略优化的高效深度强化学习
人类的大脑通过预测性处理的方式，以较小的资源实现了有效的控制策略，该研究利用预测性处理理论，建立了一个可以预测自身感观状态的循环神经网络模型在强化学习中的应用，并证明该模型在多个游戏中的表现，优于同等时间内的其他同类模型以及人类玩家。
- 网格细胞及其在人工智能中的潜在应用
本文综述了自 2005 年以来神经科学家对于网格细胞的研究，概括了它们在神经科学和认知科学中的作用，并探讨了将网格细胞整合到人工神经网络中的可能未来方向。
- 生物连接组作为人工神经网络架构的表征
本文通过将矛线虫的运动回路转化为具有不同生理真实性水平的人工神经网络，评估这些网络在动态和非动态行为任务上的训练结果。研究表明，即使不保持生物特性的真实性，也可以获得使用生物电路的优势。建立生物电路结构的统计学提供了有价值的先验知识。同时， - 接壤光栅错觉：对神经网络模型的认知挑战
通过提出基于交错延伸错觉的新型数据损坏方法，通过 MNIST、高清 MNIST 和轮廓物体图像测试证明，即使是最先进的深度学习模型也很难应对因人类认知现象而导致的数据损坏，其中 DeepAugment 技术可以显著提高模型的健壮性，并揭示了 - 上下文序列理论：多种学习类型的共同解释
这篇文章提出了基于神经科学的上下文序列理论来解释哺乳动物中多种类型的学习，并希望能够为构建机器学习模型提供新的见解。
- ICML基于深度学习的眼动追踪脑电图数据分割
介绍了一种名为 DETRtime 的新框架，该框架利用 EEG 数据而无需额外记录眼球跟踪模式，实现了时间序列的分割，实现了多种眼球跟踪实验范式的最新最优性能，同时在 EEG 睡眠阶段的分割任务中得到了良好的泛化表现。
- 利用迁移学习解码反映认知任务间关系的脑状态
本研究提出了一种转移学习框架来反映认知任务之间的关系，并比较了转移学习和脑区重叠（例如 neurosynth）反映的任务关系。研究结果表明，如果源任务和目标认知任务激活相似的脑区，则转移学习在 fMRI 数据的任务解码方面表现更好。此研究揭 - 神经导航：一种神经可信强化学习库
介绍 Neuro-Nav—— 一个开源库，以神经为基础、可行的强化学习作为模型框架，为决策学习和生物学导航等各个领域提供有趣的可复现场景和数据，并展示了使用深度 RL 等方法扩展该工具箱以解决未来研究需求的方法。
- 大脑皮层微电路的计算框架近似于符号一致的随机反向传播
本研究提出一种基于神经科学机制实现随机反向传播的框架，该框架采用三种类型的元件和两种类型的突触连接来计算和传播错误信号，并支持全局定义的尖峰误差函数的多层尖峰神经网络的训练。使用局部部件中操作的 Hebb 定律来更新突触权值并以生物学可行的 - 脉冲神经网络和人工神经网络入门综述：从生物智能到人工智能
本文综述了关于基于脉冲神经元的生物解释性网络的生物背景、理论基础、不同神经元模型、神经回路的连通性、主流神经网络学习机制和网络架构等方面的内容，并希望吸引不同的研究者，推进脑启发式智能和人工智能的发展。
- 下一代可植入式脑机接口的边缘人工智能挑战与机遇
本文介绍了人工智能与机器学习在神经信号分析、假肢和治疗神经系统症状等方面的应用，关注最新的假肢脑机接口技术并探讨了技术上的挑战和对算法和集成电路的需求。
- 学习可学习的潜在嵌入用于行为和神经联合分析
CEBRA 使用行为和神经数据生成一致高性能的潜在空间，并发现了关于其空间映射、解释复杂的影像特征和自然影片的高精度解码。
- AKF-SR: 自适应卡尔曼滤波后继表征
该研究提出了基于自适应卡尔曼滤波的继承表达法，其中包括卡尔曼滤波和时变差分法，实现 SR 学习过程的不确定性估计，并提出了一种基于估计 SR 不确定性的主动学习方法，以提高智能体在与环境交互中的总体性能。
- 表征的意义：作为可证伪记忆模式的心理表征
本文探讨了神经科学和人工智能中所谓的表述问题，并提出了一种基于激活条件的结构推断来解决这个问题的方案，该方案可以用于规划、预测和检测。并通过简单神经网络模型的模拟来说明该方案。
- 智能决策者通用模型的探索
该研究探讨了人工智能、心理学、神经科学等学科对决策制定的共同模型，提出了一个中性术语的设计，以便促进多个学科之间的交流和合作。