Loading...
机构名称:
¥ 1.0

摘要生成模型最近彻底改变了机器学习,并长期以来一直认为是生物智能的基础。在动物中,数据表明海马形成学习并使用生成模型来支持其在空间和非空间记忆中的作用。在这里,我们引入了海马形成的生物学上合理模型,该模型将我们应用于连续的输入流中的Helmholtz机器。快速theta波段振荡(5-10 Hz)门通过网络流动的方向,训练它类似于高频唤醒式睡算法。我们的模型可以从感觉刺激中准确地推断潜在状态,并在离线上产生逼真的感觉预测。在导航任务上接受了训练,它通过开发环圈吸引子来学习可以集成的导航任务,并可以在与以前的理论但生物学上难以置信的建议之间灵活地传输这种结构。虽然许多模型具有一般性的生物学合理性,但我们的模型在一个简单和局部的学习规则下捕获了各种海马认知功能。

Cosyne 2024 -Helmholtz海马

Cosyne 2024 -Helmholtz海马PDF文件第1页

Cosyne 2024 -Helmholtz海马PDF文件第2页

相关文件推荐

2024 年
¥3.0
2024 年
¥1.0
2024 年
¥2.0
2024 年
¥2.0
2024 年
¥1.0
2024 年
¥5.0
2025 年
¥7.0
2024 年
¥1.0
2024 年
¥2.0
1900 年
¥2.0
2025 年
¥3.0
2025 年
¥1.0
2024 年
¥3.0
2025 年
¥1.0
2024 年
¥5.0
2025 年
¥2.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥5.0
2024 年
¥4.0
2023 年
¥1.0
2025 年
¥3.0
2023 年
¥1.0
2024 年
¥4.0
2024 年
¥1.0
2024 年
¥9.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0