XiaoMi-AI文件搜索系统
World File Search System神经计算
微小的噪音，大错误：对抗性扰动会在脑 - 计算机接口拼写中引起错误
1教育部图像处理和智能控制的主要实验室，人工智能与自动化学院，华恩科学技术大学，武汉430074，中国； 2华盛科技大学土木工程与力学学院，中国武汉430074； 3工程与信息技术学院人工智能中心，悉尼科技大学，悉尼，新南威尔士州，2007年，澳大利亚； 4美国加利福尼亚州加利福尼亚大学圣地亚哥分校神经计算学院Swartz计算神经科学中心，美国加利福尼亚州92093，美国； 5美国加利福尼亚州加利福尼亚大学圣地亚哥大学医学工程学院高级神经工程中心，美国加利福尼亚州，加利福尼亚州92093，美国和6 Zhaw Datalab，ZéurichApplied Sciences of Applied Sciences，Winterthur 8401，瑞士，
基于脑电图的脑机接口易受后门攻击
1 华中科技大学人工智能与自动化学院，图像处理与智能控制教育部重点实验室，武汉，中国。2 中国科学院自动化研究所，脑网络组中心和模式识别国家实验室，北京，中国。3 加州大学圣地亚哥分校 (UCSD) 神经计算研究所，斯沃茨计算神经科学中心，加利福尼亚州拉霍亚，美国。4 加州大学圣地亚哥分校医学工程研究所，高级神经工程中心，加利福尼亚州拉霍亚，美国。5 悉尼科技大学工程与信息技术学院，人工智能中心，澳大利亚。6 苏黎世应用技术大学 ZHAW 数据实验室，瑞士温特图尔 8401。† 这些作者对本研究的贡献相同。∗ 电子邮件：drwu@hust.edu.cn
微小的噪音，大错误：对抗性扰动会在脑 - 计算机接口拼写中引起错误
1教育部图像处理和智能控制的主要实验室，人工智能与自动化学院，华恩科学技术大学，武汉430074，中国； 2华盛科技大学土木工程与力学学院，中国武汉430074； 3工程与信息技术学院人工智能中心，悉尼科技大学，悉尼，新南威尔士州，2007年，澳大利亚； 4美国加利福尼亚州加利福尼亚大学圣地亚哥分校神经计算学院Swartz计算神经科学中心，美国加利福尼亚州92093，美国； 5美国加利福尼亚州加利福尼亚大学圣地亚哥大学医学工程学院高级神经工程中心，美国加利福尼亚州，加利福尼亚州92093，美国和6 Zhaw Datalab，ZéurichApplied Sciences of Applied Sciences，Winterthur 8401，瑞士，
引用：Ding, X.、Li, Y.、Li, D.、Li, L. 和 Liu, X. (2020)。使用机器学习方法区分甲基苯丙胺依赖患者
Brink, W. (2004)。可卡因渴求的两个新神经生理指标：诱发脑电位和提示调节的惊吓反射。《精神药理学杂志》，18，544–552。https://doi.org/10.1177/02698 81104047282 Friedrichs, F.，& Igel, C. (2005)。多个 SVM 参数的进化调整。神经计算，64，107–117。https://doi.org/10.1016/j. neucom.2004.11.022 Healey, JA，& Picard, RW (2005)。使用生理传感器检测现实世界驾驶任务中的压力。 IEEE 智能交通系统学报，6（2），156–166。https://doi. org/10.1109/TITS.2005.848368 Hearst, MA、Dumais, ST、Osman, E.、Platt, J. 和 Scholkopf, B.
档案报告
抽象背景：暴饮暴食（BED）被认为是一种认知控制障碍，但有关其神经认知机制的证据尚无定论。先前研究的关键局限性包括床和肥胖的影响之间缺乏一致的分离，而无视自我报告的证据，表明神经认知改变可能主要在遗传或避免损害的情况下出现。方法：为了解决这些差距，在这项纵向研究中，我们研究了行为的灵活性及其在寻求奖励和避免损失的环境中的基本神经计算过程。肥胖的参与者，有床，没有床的肥胖参与者和健康的正常体重参与者（n = 96）在功能成像过程中执行了概率逆转学习任务，不同的障碍物着重于获得胜利或避免损失。他们被重新投入进行6个月的随访评估。结果：通过增强学习的计算模型所告知的分析表明，与床床的肥胖症患者不同，没有床的肥胖参与者在胜利中的表现要比在损失条件下的表现差。在计算上，这是通过在胜利中与损失条件中的差异学习敏感性解释的。在大脑中，这在每个条件的腹侧前额叶皮层中的差异神经学习信号中回荡。差异是微妙的，但会出现床症状，因此更严重的床症状与增加偏见的偏见相关，以改善获胜与损失的学习。这是在腹侧前额叶皮层中选择确定性的减少表示的反映。在整个条件下，肥胖的床位床比健康的正常体重参与者在选择选择之间切换更多。结论：我们的研究强调了区分有或没有床的肥胖以识别不同风格的适应不良饮食行为的独特神经计算改变的重要性。
在神经形态硬件上实施的新皮层的生物学现实计算原始素改善视觉变压器性能
恶意化）。此外，此SWTA图案的稀疏耦合也能够模拟TN芯片上的两态神经状态机，从而复制了对认知任务必不可少的工作记忆动力学。此外，将SWTA计算作为视觉变压器（VIT）中的预处理层的整合，增强了其在MNIST数字分类任务上的性能，证明了改进的概括性对以前看不见的数据进行了改进，并提出了类似于零量学习的机制。我们的方法提供了一个将大脑启发的计算转换为神经形态硬件的框架，并在英特尔的Loihi2和IBM的Northpole等平台上使用了潜在的应用。通过将生物物理精确的模型与神经形态硬件和高级机器学习技术集成，我们是将神经计算嵌入神经ai系统中的全面路线图。
主动推理对习惯剂的目标指导计划
[1] K. Friston，J。Kilner和L. Harrison。大脑的自由能原理。生理学杂志，100（1-3）：70–87，2006 [2] K. Friston。预测性编码有未来吗？自然神经科学，21：1019–1021，2018 [3] G. Oliver，P。Lanillos和G. Cheng。主动推理的身体感知和人形机器人的作用。arxiv：1906.03022，2019 [4] A. Ahmadi和J. Tani。用于在线预测和识别的新型预测编码启发的变异RNN模型。神经计算，31（11）：2025–2074，2019 [5] M. Kawato。用于运动控制和轨迹计划的内部模型。神经生物学中的当前意见，9（6）：718–727，1999 [6] M. Jung，T。Matsumoto和J. Tani。在变化预测编码下的目标指导行为：视觉注意和工作记忆的动态组织。IROS 2019，1040–1047
能量高效的突触可塑性
摘要 大脑设计的许多方面可以理解为进化驱动力追求代谢效率的结果。除了神经计算和传输的能量成本外，实验证据表明突触可塑性在代谢上也要求很高。由于突触可塑性对于学习至关重要，我们研究了这些代谢成本如何进入学习。我们发现，当突触可塑性规则被简单实施时，训练神经网络在存储许多模式时需要大量的能量。我们提出，通过精确平衡不稳定形式的突触可塑性与更稳定的形式来避免这种情况。这种算法称为突触缓存，可成倍提高能源效率，可与任何可塑性规则一起使用，包括反向传播。我们的研究结果对实验观察到的多种形式的神经突触可塑性产生了新的解释，包括突触标记和捕获现象。此外，我们的结果与节能的神经形态设计有关。
关于量子神经网络
量子神经网络作为将经典神经计算与量子计算相结合的新领域，其早期定义在 21 世纪相当模糊和令人满意。2020 年，量子神经网络被广泛定义为将量子计算功能与人工神经网络相结合的模型或机器学习算法 [1]，这剥夺了量子神经网络的根本重要性。我们认为，量子神经网络的概念应该根据其最普遍的功能来定义，即表示任意量子过程振幅的工具。我们的推理基于量子力学中费曼路径积分公式的使用。这种方法已在许多著作中用于研究量子宇宙学的主要问题，例如宇宙的起源（例如，参见 [2]）。事实上，我们的宇宙是否是量子计算机的问题是由 Seth Lloyd [3] 提出的，他的答案是“是”，但我们认为宇宙可以被视为一个量子神经网络。
Guillaume Lajoie 博士
传记 Guillaume Lajoie 是蒙特利尔大学数学与统计学系 (DMS) 的副教授，也是 Mila - 魁北克人工智能研究所的高级学术成员。他担任 CIFAR 主席（CCAI 加拿大）以及加拿大神经计算和接口研究主席（CRC）。他的研究处于人工智能和神经科学的交叉领域，他开发了工具来更好地理解生物和人工系统中常见的智能机制。他的研究小组的贡献范围从大型人工系统的多尺度学习范式的进步到神经技术的应用。 Lajoie 博士积极参与负责任的人工智能开发工作，寻求在研究和其他领域使用人工智能的指导方针和最佳实践。研究主题：表征学习、深度学习、认知、健康人工智能、科学人工智能。计算神经科学、优化、推理、循环神经网络。动态系统