Drift-Diffusion Matching: Embedding dynamics in latent manifolds of asymmetric neural networks
Dit artikel introduceert "drift-diffusion matching", een raamwerk voor het trainen van asymmetrische continue-tijd recurrente neurale netwerken om willekeurige nietlineaire stochastische differentiaalvergelijkingen getrouw in te bedden binnen laagdimensionale latente manifolden, waardoor de attractor-netwerktheorie wordt uitgebreid voorbij het evenwicht om complexe biologische dynamica zoals associatieve en episodische geheugen te modelleren.