57 articles
Cet article développe une théorie dynamique de la récupération séquentielle dans les réseaux de Hopfield pilotés par l'entrée, en établissant des conditions mathématiques explicites pour les transitions de mémoire auto-entretenues afin de combler le fossé entre les modèles d'association classiques et les architectures de raisonnement modernes.
En reliant la frontière d'énergie minimale aux principes de la théorie de l'information de Shannon, cette étude démontre sans paramètre libre que les synapses fonctionnent à un rapport signal-bruit optimal qui maximise l'efficacité énergétique (bits par Joule) et prédit avec précision la baisse d'efficacité observée lorsque la conductance s'écarte de sa valeur naturelle.
Cette étude propose une nouvelle approche basée sur les réseaux de neurones profonds, nommée EINNs, qui inverse le processus traditionnel en utilisant les états d'équilibre pour inférer les paramètres du système, permettant ainsi de détecter efficacement les seuils critiques et les bifurcations dans les systèmes dynamiques complexes.
Cette étude propose une approche systématique pour résoudre les « problèmes faciles » de la conscience en les modélisant au sein d'un système cognitif exécutable fondé sur la théorie kantienne du savoir conceptuel, démontrant ainsi comment des mécanismes d'apprentissage, émotionnels et de manipulation de l'information peuvent expliquer des fonctions telles que la discrimination, l'attention et l'état de veille.
INTENSE est un cadre open-source utilisant l'information mutuelle et des tests de permutation pour détecter et dissocier avec robustesse la sélectivité neuronale dans les données d'imagerie calcique, en contrôlant rigoureusement les structures temporelles et les covariances comportementales.
Cet article propose que la consolidation cérébrale optimise la généralisation en réduisant la complexité des représentations par un « oubli prédictif » sélectif, un processus de compression itérative hors ligne qui améliore les bornes théoriques de l'information et qui est validé par des simulations dans divers modèles neuronaux et linguistiques.
Cette étude démontre que la géométrie des codes neuronaux dans l'hippocampe humain permet de distinguer simultanément les positions de soi, d'autrui et du regard tout en facilitant la généralisation abstraite entre différents agents et points de vue grâce à des sous-espaces orthogonaux alignables par transformations linéaires.
Cette étude présente un pipeline de calcul combinant segmentation temporelle et apprentissage automatique pour décoder avec précision les intentions motrices à partir de signaux EMG, permettant une prédiction anticipée des mouvements vers 25 cibles spatiales distinctes et ouvrant la voie à des systèmes de réadaptation plus réactifs.
Le papier présente DecNefSimulator, un cadre de simulation modulaire et interprétable utilisant des modèles génératifs pour formaliser la neurodésensibilisation décodée (DecNef) comme un problème d'apprentissage automatique, permettant ainsi d'étudier la dynamique d'apprentissage, d'identifier les échecs de protocole et d'optimiser les designs expérimentaux avant leur mise en œuvre humaine.
Cet article propose un cadre théorique basé sur l'information pour optimiser la conception d'expériences visant à distinguer, via l'élargissement de l'écart informationnel, si les populations neuronales sensorielles encodent la fonction de vraisemblance ou la distribution a posteriori.
Le papier présente SemKey, un cadre novateur qui découple les objectifs sémantiques et réoriente l'attention des modèles vers les signaux EEG pour surmonter les biais sémantiques et le piège de la métrique BLEU dans le décodage cerveau-langage.
Le papier présente NEURONA, un cadre neuro-symbolique qui améliore le décodage de l'activité cérébrale à partir de l'IRMf et la généralisation à de nouvelles requêtes en intégrant des raisonnements structurels sur les concepts visuels.
Cette étude démontre que l'intégration d'une rétroaction synaptique dans un modèle de cerveau quantique de type Lipkin-Meshkov-Glick modifie significativement la structure des phases et les transitions critiques, élargissant la phase paramagnétique et permettant une caractérisation précise via des outils de phase quantique et une dynamique de champ moyen.
Cette étude présente NeuroFlowNet, un cadre génératif novateur basé sur un flot normalisant conditionnel qui reconstruit pour la première fois avec fidélité les signaux d'électroencéphalographie intracrânienne (iEEG) de tout le lobe temporal profond à partir de signaux d'électroencéphalographie de surface (sEEG), surmontant ainsi les limites des méthodes traditionnelles pour l'analyse non invasive de la dynamique cérébrale profonde.
Cette étude présente un transformateur augmenté de mémoire où un couplage inhibiteur entre des banques latérales permet une spécialisation fonctionnelle, démontrant que ce mécanisme est essentiel pour la récupération de souvenirs épisodiques tout en préservant la capacité de prédiction basée sur des règles.
Cette étude démontre que la vulnérabilité aux exemples adversariaux découle d'un désalignement exponentiel entre les dimensions des variétés perceptuelles des réseaux de neurones et celles des concepts humains, suggérant qu'une robustesse véritable nécessite un alignement dimensionnel.
Cet article présente un modèle de neurone intégrateur-et-décharge quadratique à deux phases qui élimine la divergence de tension non physique tout en conservant une description exacte de basse dimension et des solutions analytiques pour les ensembles de neurones, offrant ainsi une alternative biologiquement plausible et facilement intégrable aux cadres de champ moyen existants.