机构名称：
¥ 23.0
深度学习算法的根源在于简化的脑回路模型。随着强大计算资源的出现，人工神经网络的设计脱离了其生物学灵感，专注于设计能够以与人类表现相当甚至超过人类表现的准确度解决复杂任务的强大机器。然而，在过去十年中，神经科学和人工智能再次找到了它们最初的共生关系。神经机制被用作开发深度网络架构和训练算法的灵感来源，以找到具有更好的抗噪性、泛化能力和持续学习能力的计算模型。另一方面，受生物启发的网络为理解大脑如何学习和处理信息提供了新的视角，有可能带来创新的治疗应用。此外，标准的深度学习模型已成功应用于神经数据的分析和理解。一个显著的例子是，可以使用人工网络作为大脑某些区域的模型，来预测甚至驱动感官刺激的神经活动。在这篇论文中，我深入研究了深度学习和神经科学之间的相互作用。首先，我从生物学角度介绍了人工神经网络的基本概念，并概述了关于生物学上可行的学习和皮层计算模型的现有文献。其次，我介绍了我对大脑启发学习领域的贡献，包括受突触整合启发的优化器、解决反向传播生物学上不现实方面的学习规则，以及自监督脉冲网络在盲源分离任务中的应用。第三，我介绍了皮层神经元和人工神经网络对对抗性噪声的鲁棒性的比较分析，展示了如何使用深度学习来操纵神经活动以实现规定的模式。第四，我提出了一个框架来量化人类和最先进的人工模型之间的差距，重点关注语言领域。最后，我反思了人工智能的未来发展，更具体地说，反思了神经科学是否是推动深度学习突破性进展的必要条件的争论。
揭示神经计算的原理
主要关键词
相关文件推荐
