Neural Decoding as Cognitive Inference
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);The Hong Kong Polytechnic University(香港理工大学);Hong Kong Baptist University(香港浸会大学)
本研究将神经解码重新表述为受大脑固有先验约束的认知推理方法,在多模态神经记录的多认知领域实验中,成功从可变神经观测中恢复稳定认知状态,揭示了大脑维持认知稳定性的机制。
2026-10-09 cs.AI q-bio.NC
Exploring a Cognitive Architecture for Learning Arithmetic Equations
University of Southern California(南加州大学)
本文提出一种神经生物学合理的认知架构,结合数字向量化嵌入网络与联想记忆模型,模拟算术方程的学习与回忆,并探究联结主义模型泛化、计算障碍成因及网络架构影响。
2024-05-05 cs.AI q-bio.NC
Brain-inspired Distributed Cognitive Architecture
在本文中,我们提出了一个大脑启发的认知架构,包括感官处理,分类,上下文预测和情感标签。认知架构被实现为三个模块化的Web服务器,这意味着它可以集中部署或跨网络部署服务器。这些实验揭示了两种不同的行为操作,即高和低显着性操作模式,它们密切地模拟了大脑中的注意力。除了对皮层进行建模之外,我们还证明了生物启发的架构可以提高处理效率。该软件已作为开源平台发布,未来的研究团队可以轻松扩展。该研究为生物现实的注意力方向和感觉选择奠定了基础,我们相信这是实现生物现实的人工智能系统的关键一步。
2020-05-18 cs.NE q-bio.NC
Psychology of Artificial Intelligence: Epistemological Markers of the Cognitive Analysis of Neural Networks
Cabinet Chrysippe R&D(克律西普研发工作室);Paris University(巴黎大学)
本研究围绕人工智能的认知本质与知识存在形式问题,提出需以神经元层面的认知粒度开展人工智能心理学研究,并明确相关认识论里程碑是探究合成神经认知的前提。
2024-07-04 cs.AI q-bio.NC
Cognitive computation with autonomously active neural networks: an emerging field
人类的大脑是自主活动的。要了解这种自我维持的神经活动的功能作用,其与感官数据输入流的相互作用,是认知系统研究中的一个重要问题,我们在这里回顾的理论建模的现状。这篇评论将开始与一个简短的概述的实验工作,连同讨论的瞬时与自我持续的神经活动在水库计算的框架。重点将放在两个典型的神经网络架构,显示持续不断的瞬态动力学:鞍点网络和网络的吸引遗迹。自激活神经网络面临着两个看似对立的需求:稳定的内部动态状态和对输入刺激的敏感性。我们表明,这种困境可以解决吸引遗迹网络的基础上竞争的神经动力学,吸引遗迹竞争的一方与对方的瞬态优势,和另一边的输入信号的动态影响。然后,无监督和局部赫布式在线学习允许系统在内部动态瞬态和感官输入流之间建立相关性。一种新兴的认知能力就是从这种设置中产生的。该系统执行在线,并在其本身,一个非线性的独立成分分析的传感器数据流,所有的时间是连续和自主活动。这个过程将感觉输入的独立成分映射到吸引子遗迹上,吸引子遗迹以这种方式获得语义意义。
2009-01-20 q-bio.NC
Nonmodular architectures of cognitive systems based on active inference
University of Sussex(萨塞克斯大学)
在心理学和神经科学中,通常将认知系统描述为输入/输出设备,其中感知和运动功能以纯粹的前馈,开环方式实现。根据这种观点,感知和行动通常被视为封装模块,它们之间的交互有限。虽然体现和积极的认知科学的方法已经挑战了理想化的大脑作为一个输入/输出设备,我们认为,即使是最近的尝试使用闭环架构的系统建模仍然严重依赖于一个强大的分离电机和感知功能。在此之前,我们已经提出了模块化的主流概念与控制理论的分离原则强烈共鸣。在这项工作中,我们提出了一个最小的模型的感觉运动回路实现架构的分离原则的基础上。我们将其与认知科学中的感知和行动的流行公式联系起来,并显示其局限性,例如,外部力量不是由代理人建模的。这些力可以被看作是代理人不能直接控制的变量,即,来自环境的扰动或由其他因素引起的干扰。作为一种替代方法的启发体现认知科学,我们然后提出了一个非模块化的架构的基础上的主动推理框架。我们证明了这种架构的鲁棒性未知的外部输入,并表明,这是在线性模型中实现的机制是等效的积分控制。
2019-03-22 cs.AI q-bio.NC
Evolving Cognitive Architectures
Research Group “Automatic Intelligent Data Acquisition” (RG AIDA)(“自动智能数据采集”研究组(RG AIDA))
本文提出通过进化方法构建认知架构,以解决传统认知架构建模过于刻板的问题,旨在创建能自主进化并模拟高级神经功能的智能系统。
2025-12-29 cs.AI cs.NE q-bio.NC
Designing Artificial Cognitive Architectures: Brain Inspired or Biologically Inspired?
VIDIA-mant
人工神经网络(ANN)被设计为用于人工智能设计实现的工具。然而,很快就发现他们无法履行自己的职责。人工神经网络完全自主的工作方式,排除了任何人为干预或监督,剥夺了任何理论基础,导致了一种奇怪的状态,当人工神经网络设计师无法解释为什么以及如何实现其惊人和显着的结果。因此,当代人工智能研发看起来更像是一个现代炼金术企业,而不是一个受人尊敬的科学或技术事业。另一方面,现代生物科学认为,智力不仅可以在人脑中区分。今天,智力被认为是每个生物的基本属性。因此,自然智能的较低简化形式更适合在人工认知架构中进行研究和进一步复制。
2018-12-12 cs.AI q-bio.NC
Roles of LLMs in the Overall Mental Architecture
Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文借助人类心智架构理论,指出现有LLM主要对应内隐过程,并提出利用双过程计算认知架构融合内隐与外显过程,实现LLM与认知架构的双向协同增强。
2024-10-26 cs.AI cs.CY q-bio.NC
Maze Learning using a Hyperdimensional Predictive Processing Cognitive Architecture
Rochester Institute of Technology(罗切斯特理工学院);Carleton University(卡尔顿大学)
我们提出了认知神经生成系统(CogNGen),一个认知架构,结合了两个神经生物学上合理的,计算模型:预测处理和多维/矢量符号模型。我们从ACT-R和Spaun/Nengo等架构中汲取灵感。CogNGen与这些广泛一致,在ACT-R对人类认知的高级符号描述和Spaun的低级神经生物学描述之间提供了一个详细的层次,进一步为设计从不同任务中不断学习的代理创造了基础,并在比当前系统更大的尺度上模拟人类表现。我们在四个迷宫学习任务上测试了CogNGen,包括那些测试记忆和规划的任务,发现CogNGen与深度强化学习模型的性能相匹配,并且超过了旨在测试记忆的任务。
2022-08-09 cs.AI cs.LG cs.NE
Quantifying Neural Efficiency and Capacity: A Differential Equation Interpretation of Polynomial Contrasts
基于任务的神经成像工具,认知神经科学的研究提供了深入了解大脑如何应对不断增长的认知需求。神经-认知关系的理论模型是基于对大脑活动线性和非线性增加的观察而开发的。神经网络的效率和容量是目前理论模型的两个参数。这两个理论参数分别描述了大脑活动的增加速率和增加的上限。目前的工作表明,增加大脑活动的二次模型响应n-back任务是一个微分方程模型的解决方案。这种对分析常见认知任务的标准方法的重新解释提供了丰富的新见解。结果包括神经效率和能力的全脑测量。神经-认知关系的量化为支持当前认知神经科学理论提供了证据。此外,这些方法为理解工作记忆的神经机制提供了一个框架。这允许在概念研究框架内估计实验操作的影响。所提出的方法被应用于21名健康的年轻人,同时参与四个级别的n-back任务。所有的方法都可以很容易地应用于神经成像的标准当前软件包。
2016-06-20 q-bio.NC q-bio.QM
A Neural Dynamic Model based on Activation Diffusion and a Micro-Explanation for Cognitive Operations
Fudan University(复旦大学)
记忆的神经机制与人工智能中的表征问题有着非常密切的关系。本文提出了一个计算模型来模拟大脑中的神经元网络及其如何处理信息。该模型参考了神经信息处理的形态学和电生理学特征,并基于神经元编码其放电序列的假设。介绍了神经网络的结构、不同阶段的神经编码功能、刺激在记忆中的表征以及形成记忆的算法。并对学习的稳定性、回忆率和记忆能力进行了分析。由于神经动态过程,一个接一个,实现了一个神经元级和连贯的形式,通过它来表示和处理信息,它可以促进人工智能的各个分支的检查,如推理,解决问题,模式识别,自然语言处理和学习。从计算神经科学的角度对智能行为中的认知操纵过程进行建模,使其具有一致的表征。因此,神经元的动力学使得从微观层次上用统一的认知结构模型来解释不同智能行为的内在机制成为可能。
2020-11-27 cs.AI q-bio.NC
How to build a cognitive map: insights from models of the hippocampal formation
Stanford University(斯坦福大学);University of Oxford(牛津大学);University College London(伦敦大学学院)
学习和解释环境的结构是生物系统的固有特征,并且是指导进化可行性的灵活行为的组成部分。认知地图的概念已经成为这些能力的主要隐喻之一,解开这种地图的学习和神经表征已经成为神经科学的中心焦点。当实验主义者为海马体及其他部位的认知地图的神经基底提供详细的图像时,理论家们一直忙于构建模型,以弥合神经元、计算和行为之间的鸿沟。这些模型可以解释各种已知的表征和神经现象,但通常不仅对认知地图的基本原理,而且对海马和皮层各自的作用提供了不同的理解。在这个角度来看,我们把这些模型中的许多到一个共同的语言,构建认知地图的基本原则,提供新的(重新)解释神经现象,建议如何扩展的原则可以解释前额叶皮层的代表性,最后,推测认知地图在更高的认知能力的作用。
2022-02-03 cs.LG q-bio.NC
Sequence models for by-trial decoding of cognitive strategies from neural data
Utrecht University(乌得勒支大学);University of Groningen(格罗宁根大学)
本研究提出结合隐藏多变量模式分析与结构化状态空间序列模型的机器学习方法,从脑电图数据中逐次解码认知策略,揭示了Confirmation认知操作,为决策策略动态变异性提供证据,挑战认知过程同质假设。
2025-04-14 cs.AI q-bio.NC
Ensembling complex network 'perspectives' for mild cognitive impairment detection with artificial neural networks
Exprivia S.p.A.(Exprivia股份公司);University of Bari(巴里大学)
在本文中,我们提出了一种新的方法,用于轻度认知障碍检测的基础上联合利用复杂网络和神经网络范例。特别地,该方法基于用人工神经网络集成不同的大脑结构“视角”。一方面,这些观点是通过复杂网络测量来获得的,这些测量是为了描述改变的大脑连接。反过来,通过将弥散加权成像(DWI)数据与纤维束成像算法相结合来获得大脑重建。另一方面,人工神经网络提供了一种学习从大脑的拓扑特性到认知衰退的存在或不存在的映射的手段。该方法的有效性进行了研究,在一个著名的基准数据集,以评估它是否可以提供一个自动的工具,以支持早期疾病诊断。此外,平衡问题的影响进行了研究,以进一步评估DWI数据的复杂网络方法的可靠性。
2021-01-26 cs.CV eess.IV q-bio.NC
A Neural Network Model of Continual Learning with Cognitive Control
UC Davis(加州大学戴维斯分校)
神经网络在持续学习的环境中挣扎,避免灾难性的遗忘:当尝试被阻止时,新的学习可能会覆盖以前的学习。人类在这些环境中有效地学习,在某些情况下甚至表现出阻塞的优势,这表明大脑包含克服这个问题的机制。在这里,我们建立在以前的工作,并表明,神经网络配备了认知控制的机制,不表现出灾难性的遗忘时,审判被阻止。我们进一步展示了当控制信号中存在用于主动维护的偏置时,阻塞超过交织的优点,这意味着维护和控制强度之间的权衡。对网络学习到的类似地图的表示的分析为这些机制提供了更多的见解。我们的工作突出了认知控制在神经网络中帮助持续学习的潜力,并为在人类中观察到的阻塞优势提供了解释。
2022-11-03 cs.LG cs.NE q-bio.NC
Neural Manifolds and Cognitive Consistency: A New Approach to Memory Consolidation in Artificial Systems
National Economics University(国民经济大学);G.A.I.A QTech LLC(G.A.I.A QTech有限责任公司)
提出统一神经群体动力学、海马体SpWR生成与认知一致性约束的数学框架,利用低维流形表示和平衡能量函数模拟记忆巩固,重现SpWR特征并增强网络可解释性。
2025-02-25 cs.AI cs.NE q-bio.NC
Design for a Darwinian Brain: Part 1. Philosophy and Neuroscience
Queen Mary University of London(伦敦玛丽女王大学)
开放式认知需要物理符号系统。理解物理符号系统的一个好方法是将思想与化学进行比较。两者都具有系统性、生产性和组合性。批判性地评估了开放式认知的认知架构的最新发展。我的结论是,一个认知架构,在大脑中的符号结构的演变是一个很有前途的候选人来解释开放式认知。本文的第2部分提出了这样一个认知架构。
2013-03-28 cs.AI q-bio.NC
Predicting Rate of Cognitive Decline at Baseline Using a Deep Neural Network with Multidata Analysis
The Ohio State University College of Medicine(俄亥俄州立大学医学院)
目的:这项研究调查了基于机器学习的系统是否可以通过仅处理初次就诊时收集的临床和成像数据来预测轻度认知障碍患者的认知下降率。方法:我们构建了一个基于监督混合神经网络的预测模型,该模型利用三维卷积神经网络对磁共振成像进行体积分析,并在架构的全连接层整合非成像临床数据。这些实验是在阿尔茨海默病神经成像倡议数据集上进行的。结果:实验结果证实,认知能力下降与首次就诊时获得的数据之间存在相关性。该系统实现了0.70的认知衰退类别预测的受试者操作曲线下面积(AUC)。总结:据我们所知,这是第一项通过处理常规收集的基线临床和人口统计学数据(基线MRI、基线MMSE、标量体积数据、年龄、性别、教育、种族和人种)预测缓慢恶化/稳定或快速恶化类别的研究。训练数据基于MMSE速率值构建。与文献中专注于预测轻度认知障碍到阿尔茨海默病的转换和疾病分类的研究不同,我们将这个问题作为MCI患者认知下降率的早期预测。
2020-10-05 cs.LG eess.IV q-bio.NC
Conceptual Cognitive Maps Formation with Neural Successor Networks and Word Embeddings
University Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);University Hospital Erlangen(埃尔朗根大学医院)
本文提出结合后继表示、神经网络与词嵌入构建多尺度概念认知地图的模型,使新信息靠近相关已有表征,并有望为AI输入提供多模态上下文信息。
2023-07-04 cs.AI q-bio.NC
Attention to task structure for cognitive flexibility
Ghent University(根特大学);Université Toulouse Jean Jaurès(图卢兹让饶勒斯大学)
本文研究了环境结构如何影响认知灵活性,提出基于注意力机制的任务学习模型,并发现环境连通性对模型稳定性与泛化能力有显著影响。
2026-04-14 cs.NE q-bio.NC
Training Spiking Neural Networks for Cognitive Tasks: A Versatile Framework Compatible to Various Temporal Codes
传统的建模方法在将实验中记录的越来越详细的神经网络结构和动力学与不同的大脑功能相匹配方面存在局限性。在另一种方法上,研究已经证明了使用监督学习来针对简单函数来训练尖峰神经网络。在这里,我们介绍了一种改进的SpikeProp学习算法,它在不同的活动状态下实现了更好的学习稳定性。此外,我们表明生物现实的功能,如横向连接和稀疏活动可以包括在网络中。我们通过为不同类型的认知任务(MNIST数字识别、空间坐标变换和运动序列生成)实现三种众所周知的时间代码来展示该框架的多功能性。此外,我们发现一些特征的演变与任务训练,如选择性活动,兴奋-抑制平衡,弱成对相关。自进化和实验观察到的特征之间的一致性表明它们对大脑功能的重要性。我们的研究结果表明,不同的认知计算和机制,可以研究一个统一的设置。
2017-09-02 cs.NE q-bio.NC stat.ML
Predictive Set Theory: A Generative Framework for Cognitive Architecture with Operationalized Core Mechanisms
本文提出预测集合论(PST)这一形式生成框架,从第一性原理重构认知架构,解决经典认知问题,并确立其原创性与完整性。
2026-08-05 cs.AI cs.LO q-bio.NC
Neural Network based Formation of Cognitive Maps of Semantic Spaces and the Emergence of Abstract Concepts
University Erlangen-Nuremberg(埃尔朗根-纽伦堡大学);University Hospital Erlangen(埃尔朗根大学医院)
内嗅复合体在记忆和思维的组织中起着重要作用。通过位置和网格细胞形成和导航任意心理空间的认知地图可以作为记忆和经验及其相互关系的表示。提出了多尺度后继表示作为位置和网格单元计算的数学原理。在这里,我们提出了一个神经网络,它学习基于32种不同的动物物种编码为特征向量的语义空间的认知地图。神经网络成功地学习了不同动物物种之间的相似性,并基于后继表示原理构建了“动物空间”的认知地图,其准确率约为30%,接近理论最大值,因为所有动物物种都有一个以上的可能后继,即特征空间中的最近邻。此外,分层结构,即不同尺度的认知地图,可以基于多尺度后继表示来建模。我们发现,在细粒度的认知地图,动物向量均匀分布在特征空间。相比之下,在粗粒度地图中,动物病媒根据其生物类别(即两栖动物、哺乳动物和昆虫)高度聚类。这可能是解释新的抽象语义概念出现的一种可能机制。最后,即使是全新的或不完整的输入,也可以通过从认知图中插值表示来表示,其精确度高达95%。我们的结论是,后继表示可以作为过去的记忆和经验的加权指针,因此可能是未来机器学习的关键构建块,包括先验知识,并从新的输入中获得上下文知识。
2022-10-28 cs.AI cs.CL q-bio.NC
A biophysical network model reveals the link between deficient inhibitory cognitive control and major neurotransmitter and neural connectivity hypotheses in schizophrenia
我们提出了一个生物物理网络动力学模型来研究多巴胺(DA)活性和相关的N-甲基-d-天冬氨酸(NMDA)谷氨酸受体活性的调节以及新出现的前额叶皮层(PFC)功能连接网络(FCN)如何影响精神分裂症患者在反跳任务中的抑制性认知功能。通过最小化30名精神分裂症患者和30名健康对照者在执行反跳任务期间模拟和观察到的反应时间(RT)分布之间的差异来估计模型参数和PFC-FCN拓扑结构的值。我们表明,该模型近似预测的前额叶皮层DA低活性和相关的NMDA受体功能减退,以及被认为是主要的病因病理假说,以解释精神分裂症的认知缺陷的FCN连接障碍模式。
2021-07-20 cs.NA math.DS math.NA
Stability Control of Metastable States as a Unified Mechanism for Flexible Temporal Modulation in Cognitive Processing
本文提出一个包含多时间尺度神经元和Hebb学习规则的神经网络模型,揭示快速动力学建立亚稳态、慢速动力学调制其稳定性,从而统一解释认知过程中时间动态的灵活调制。
2025-04-12 cond-mat.dis-nn nlin.AO physics.bio-ph
A neural network walks into a lab: towards using deep nets as models for human behavior
对许多认知科学家来说,这听起来像是一个笑话的开头,但现在已经成为一个有吸引力的前景:使用深度神经网络模型(DNN)作为感知和认知任务中人类行为的模型。尽管DNN已经接管了机器学习,但将其用作人类行为模型的尝试仍处于早期阶段。它们能成为认知科学家工具箱中的通用模型类吗?我们首先讨论为什么DNN有潜力成为有趣的人类行为模型。然后,我们讨论如何更充分地实现这一潜力。一方面,我们认为训练、测试和修改DNN的周期需要通过认知科学家的目标来重新审视。具体来说,我们认为,用于评估DNN模型和人类行为之间的拟合优度的方法到目前为止已经枯竭。另一方面,认知科学可能不得不开始使用更复杂的任务(包括更丰富的刺激空间),但这样做也可能有利于独立于DNN的原因。最后,我们强调了传统认知过程模型和DNN可能显示出生产协同作用的途径。
2020-05-02 cs.AI cs.CV cs.LG