- 一个多功能电路用于仿真生物活跃树突,应用于声音定位和神经元模拟
通过引入一种模拟树突分支节段的多功能电路,本研究揭示了树突在生物感知以及神经网络构建中的重要作用,并证明可以纯由树突电路构建神经元网络。
- 生物学可信的语言器官的构架
通过实验,我们展示了一个仿生学上可行的模拟语言器官,由风格化但逼真的神经元、突触、大脑区域、可塑性和感知模型组成,通过希伯规可塑性完成了语言习得的重要早期阶段:只从有限的句子输入中学习名词、动词及其含义。
- 时间权重
通过使用具有交互动态的模型来刻画神经网络中的时变权重,我们使用连续动力学和对时间的依赖性的神经 ODE 将时间权重给模型增加,以此来更好地对不规则、稀疏的时间序列数据集进行建模,从而实现更好的性能、更小的模型,和更高的数据效率。
- 突触动力学实现一阶自适应学习和权重对称性
本文尝试回答生物神经系统是否可以采用梯度的一阶自适应优化方法,通过在突触内使用生物合理的机制呈现了 Adam 优化器的实现,提出了一个新的方法应用于生物合理的 Adam 学习规则,这些机制可能有助于阐明生物突触动力学如何促进学习。
- ICML神经元的短期可塑性:学习和遗忘
本研究通过引入一种名为 STP 神经元的新型递归神经单元,利用可塑性存储短期内的遗忘和学习,从而提高了神经网络的效率和计算能力,并在测试中超越了其他模型。
- ICML元学习双向更新规则
本研究提出了一种广义神经网络,其中神经元和突触维护多个状态,通过基于链式法则的二值网络来推导出更新规则,并使用共享的低维 “基因组” 进行参数化,证明了该方法的泛化性和训练速度优于梯度下降优化器,可用于计算机视觉和合成任务。
- 利用快速权重关注近期的过去
研究表明,人工神经网络可以受益于使用变化速度比神经活动慢但比标准权重快的‘快速权重’,这可以用来存储最近过去的临时记忆并提供一种神经可信的方法来实现最近过去的关注,其中快速权重可以避免存储神经活动模式的需求。
- 神经元为何具有数千个突触:新皮质序列记忆理论
本研究提出一个神经元和网络模型,其中神经元能够学习和记忆序列模式,网络能够实现时间序列的鲁棒学习,并在大量噪音和多样化数据的情况下,精准地识别数百个唯一的细胞活动模式。
- 在宽范围尺度上建模大脑电路
本篇论文主要研究利用电子显微镜和光学显微镜结合计算机视觉技术,对神经元的突触连接等生物信息进行分析和建模。