57 Arbeiten
Diese Arbeit entwickelt eine dynamische Theorie für die sequenzielle Abrufbarkeit in input-getriebenen Hopfield-Netzwerken, indem sie explizite Bedingungen für selbsttragende Speicherübergänge herleitet und so eine mathematische Brücke zwischen klassischer Hopfield-Dynamik und modernen Reasoning-Architekturen schlägt.
Die Studie zeigt, dass ein parameterfreies Modell auf Basis der Synapsenbiophysik und der Shannon-Informationstheorie nicht nur erklärt, wie die Informations-effizienz von Synapsen bei Abweichungen vom natürlichen Leitwert abnimmt, sondern auch bestätigt, dass neuronale Systeme evolutionär darauf optimiert sind, Bits pro Joule zu maximieren.
Diese Studie stellt eine neuartige Methode namens equilibrium-informed neural networks (EINNs) vor, die mithilfe von Deep Neural Networks kritische Schwellenwerte für abrupte Regimewechsel in komplexen dynamischen Systemen effizient identifiziert, indem sie Gleichgewichtszustände als Eingabe nutzt, um die entsprechenden Systemparameter zu inferieren.
Diese Studie schlägt einen systematischen Ansatz vor, um die „leichten Probleme" des Bewusstseins mithilfe eines ausführbaren kognitiven Systems zu lösen, das auf Kants Konzeptwissen basiert und zeigt, dass Fähigkeiten wie Diskriminierung, Aufmerksamkeit und der Unterschied zwischen Wachsein und Schlaf aus den implementierten Lern-, Steuerungs- und Stimulusmechanismen des Systems abgeleitet werden können.
Die Studie stellt INTENSE vor, ein Open-Source-Framework, das mithilfe informationstheoretischer Methoden und spezifischer statistischer Kontrollen neuronale Selektivität in Kalzium-Bildgebungsdaten von frei verhaltenden Tieren zuverlässig detektiert und von Verhaltenskorrelationen entwirrt.
Die Studie schlägt vor, dass das Gehirn Erinnerungen durch „vorhersagebasiertes Vergessen" komprimiert, um die Generalisierungsfähigkeit zu optimieren, wobei offline-Replay und iterative Verfeinerung notwendig sind, um diese Kompression unter biologischen Einschränkungen zu erreichen.
Die Studie zeigt, dass der menschliche Hippocampus räumliche Informationen über verschiedene Agenten und Blickrichtungen durch eine geometrische Struktur kodiert, die es ermöglicht, diese Informationen durch einfache lineare Transformationen zu trennen und gleichzeitig generalisierbar zu machen.
Diese Studie präsentiert eine Rechenpipeline, die mittels EMG-Signalen motorische Absichten für 25 verschiedene Ziele bereits vor Bewegungsbeginn mit hoher räumlicher und zeitlicher Auflösung vorhersagt und dabei Random-Forest- sowie CNN-Modelle zur Optimierung adaptiver Rehabilitationssysteme einsetzt.
Das Paper stellt DecNefSimulator vor, ein modulares und interpretierbares Simulationsframework, das Decoded Neurofeedback als maschinelles Lernproblem formalisiert und durch den Einsatz generativer Modelle als virtuelle Teilnehmer die Analyse von Lernprozessen, die Identifizierung von Misserfolgsursachen sowie die Optimierung von Protokollen vor der menschlichen Anwendung ermöglicht.
Diese Arbeit stellt ein informationstheoretisches Framework vor, das durch die Maximierung der Kullback-Leibler-Divergenz zwischen Likelihood- und Posterior-Codes optimale Stimulusverteilungen für Experimente identifiziert, um konkurrierende probabilistische neuronale Kodierungshypothesen effektiv zu unterscheiden.
Die Arbeit stellt SemKey vor, ein neuartiges Framework zur EEG-zu-Text-Decodierung, das durch die Entkopplung semantischer Ziele und eine signalgefundene Architektur die häufigen Probleme von Halluzinationen und der irreführenden BLEU-Metrik überwindet, um eine präzisere und diversere Sprachgenerierung aus neuronalen Signalen zu erreichen.
Das Paper stellt NEURONA vor, ein neuro-symbolisches Framework zur Dekodierung von fMRI-Aktivitäten, das durch die Integration struktureller Prioritäten wie kompositioneller Prädikat-Argument-Abhängigkeiten sowohl die Genauigkeit bei präzisen Abfragen als auch die Generalisierungsfähigkeit auf ungesehene Fragen verbessert.
Diese Arbeit untersucht ein durch das Lipkin-Meshkov-Glick-Modell inspiriertes Quantenhirn-Modell und zeigt, dass biologisch motivierte synaptische Rückkopplung die Phasenstruktur signifikant verändert, indem sie den paramagnetischen Bereich auf Kosten ferromagnetischer Phasen erweitert und kritische Grenzen durch longitudinale Felder weiter verschiebt, was mittels Husimi-Verteilung, Wehrl-Entropie und Mean-Field-Dynamik analysiert wird.
Diese Studie stellt NeuroFlowNet vor, ein neuartiges generatives Framework auf Basis bedingter normalisierender Ströme, das erstmals hochpräzise intrakranielle EEG-Signale aus dem gesamten tiefen Temporallappen aus nicht-invasiven Kopfhaut-EEG-Daten rekonstruiert und dabei die Komplexität und Zufälligkeit der Hirnsignale effektiv erfasst.
Die Studie zeigt, dass ein inhibitorischer Kreuztalk in einem speichererweiterten Transformer-Modell eine funktionale Lateralisierung ermöglicht, die durch die Unterdrückung der gegenseitigen Aktivierung von Gedächtnis-Banken eine überlegene episodische Erinnerung bei gleichzeitiger Beibehaltung der regelbasierten Vorhersagefähigkeit gewährleistet.
Die Studie zeigt, dass die exponentielle Dimensionalität der von neuronalen Netzen wahrgenommenen Konstruktionsräume im Vergleich zu menschlichen Konzepten eine fundamentale Fehlausrichtung darstellt, die als Hauptursache für adversarial examples gilt und nur durch eine Angleichung dieser Dimensionen überwunden werden kann.
Die Arbeit stellt ein zweiphasiges quadratisches Integrate-and-Fire-Neuron vor, das durch die Einführung endlicher Spannungsbeschränkungen die physikalische Unzulänglichkeit der Spannungsdivergenz des Standardmodells behebt, dabei aber eine exakte, niedrigdimensionale Beschreibung im thermodynamischen Limit beibehält und somit als biologisch plausibler, analytisch lösbarer Ersatz in bestehenden Mittelwertfeld-Rahmenwerken dient.