A Biologically Interpretable Cognitive Architecture for Online Structuring of Episodic Memories into Cognitive Maps
Cognitive AI Lab(认知人工智能实验室)
针对现有认知地图计算模型依赖缺乏生物合理性的全局优化规则的问题,提出结合Successor Features框架与情景记忆、采用局部类赫布学习规则的认知架构,可在线增量学习并自主构建认知地图,衔接了计算神经科学与AI。
2025-09-29 cs.AI q-bio.NC
Cognitive Modelling Aspects of Neurodevelopmental Disorders Using Standard and Oscillating Neighbourhood SOM Neural Networks
本文提出一种融入皮层柱状振荡的改进型SOM网络,并与标准SOM一起用于自闭症和精神分裂症的认知建模,结果表明两者在映射行为上高度相似,而振荡版本具有更高的生物合理性。
2025-07-16 cs.NE q-bio.NC
Ecosystems in the Mind: Fuzzy Cognitive Maps of the Kizilirmak Delta Wetlands in Turkey
生态系统的可持续性和生态系统管理越来越被社会所接受。能否通过吸收当地人对生态系统的理解来改进保护计划?Kizilirmak三角洲是土耳其最重要的湿地综合体之一。它也是土耳其最具生产力的农业三角洲之一。我们得到了31个社会生态系统的认知模型。这些模型被转换为邻接矩阵,使用图论方法进行分析,并扩展到社会认知地图。根据利益攸关方定义的模型,运行因果“假设”情景,以确定生态系统的轨迹。村民们有更多的变量,更复杂的地图,对影响克孜勒河三角洲的所有变量有更广泛的理解,并且比非政府组织和政府官员提到了更多控制生态系统的变量。村民适应不断变化的生态和社会条件,通过政治进程积极改变和挑战条件。村民们面临着许多他们无法控制的重要强制功能。村民定义的变量多与农牧业有关。保护政策和生态系统管理必须包括更大的环境问题,村民的认知地图必须与非政府组织和政府官员的认知地图相协调。认知地图可以作为制定政策和管理方案时讨论的基础。以村民为中心的认知测绘方法不仅是必要的,因为村民抵制保护项目,或者因为自上而下的项目没有考虑到当地的知识系统失败了,但因为它是做生态系统管理的道德和负责任的方式。
2006-03-19 q-bio.NC q-bio.OT
Fuzzy Cognitive Maps Of Local People Impacted By Dam Construction: Their Demands Regarding Resettlement
在移民安置前,模糊认知图被用来了解当地人的需求和愿望。受影响的人认为,将增加他们的福利期间和之后的大坝建设的变量被确定。他们用累积的社会认知地图进行模拟,以确定哪些政策选择最能增加他们的福利。道路建设、就业机会、预付报废价值和学校是对增加人民收入和福利影响最大的核心变量。各种变量的协同效应表明,不同政策的实施不仅会累积增加人民的福利,而且会产生更大的效果。
2006-01-21 q-bio.NC q-bio.QM
Cognitive Maps of Complex Systems Show Hierarchical Structure and Scale-Free Properties
自然和人造系统中的许多网络都具有无标度特性,是小世界。现在我们证明,人们在认知地图中对复杂系统的理解也遵循无标度拓扑(P_k = k^-lambda,lambda [1.24,3.03]; r^2 <= 0.95)。人们关注的是少数几个属性,如总度概率分布中的厚尾所示。这几个属性与系统中的许多其他变量有关。更多的属性只有很少的连接。尽管人们的平均距离与相同大小和连接密度的随机网络没有差异(Wilcoxon符号秩检验,W=78,p=0.75),但人们的认知地图中的无标度特性还是出现了。与随机网络相比,无标度特性表现在更高的层次结构中(Wilcoxon符号秩检验,W=12,p=0.03)。人们使用相对简短的解释来描述系统。这些发现可能有助于我们更好地了解人们的看法,特别是在决策、解决冲突、政治和管理方面。
2006-12-16 q-bio.NC q-bio.OT
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
Topological stability of the hippocampal spatial map and synaptic transience
哺乳动物的空间意识是基于对环境的内在表征--认知地图--由尖峰神经元网络编码。虽然行为研究表明这些地图可以长期保持稳定,但众所周知,由于各种形式的神经元可塑性,突触连接的基础网络不断改变其结构。这就提出了一个主要问题:一个动态网络如何编码一个稳定的空间地图?在下文中,我们讨论了一些最近的结果,在这个方向上使用代数拓扑建模方法,这表明,出现稳定的认知地图产生的网络与瞬态架构不仅是可能的,但可能是一个普遍的现象。
2019-09-17 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
Topology of cognitive maps
在本文中,我们讨论了几种方法来重建的物理空间的拓扑结构从神经活动数据的CA 1领域在小鼠海马,特别是有认知组理论的脑功能。在我们的实验中,动物被放置在不同的新环境中,发现它们自由移动,同时记录它们的身体和神经活动。我们测试可能的方法来确定所观察到的CA1神经元的位置细胞群。我们还测试和讨论了各种降维和拓扑重构的方法。特别是,我们关注的两个主要策略是神经定理和基于点云的方法。重建结果的结论支持插图和数学背景,也简要讨论。
2022-12-05 cs.IR 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
Robust spatial memory maps encoded in networks with transient connections
哺乳动物海马主细胞的尖峰活动编码了一个内化的周围空间的神经元表征--认知地图。一旦学会,这种地图使动物能够在给定的环境中长时间导航。然而,产生这种映射的神经元基质仍然是短暂的:海马体和下游神经元网络中的突触连接从未停止形成,并以快速的速度恶化。大脑如何使用不断改变其架构的网络来保持对空间的鲁棒、可靠的表示?在这里,我们证明,使用新的代数拓扑技术,认知地图的稳定性是一个通用的,新兴的现象。该模型允许评估由特定生理参数产生的效果,例如,连接衰减时间的分布,对认知地图整体性质的影响。同时指出,由于突触连接的减弱或过度丧失而引起的空间记忆衰退,可以通过模拟神经元的活动而得到补偿。最后,该模型明确了功能的重要性,通过建立三个互补的时间尺度,空间信息展开的空间信息处理系统在不同层次的时空粒度。因此,该模型提供了一个主要的洞察力,大脑如何发展一个可靠的表示世界,学习和保留记忆,尽管复杂的可塑性的基础网络,并允许研究如何不稳定性和记忆退化机制可能会影响学习过程。
2017-10-07 q-bio.NC
Self-motion as a structural prior for coherent and robust formation of cognitive maps
Donghua University(东华大学);Westlake University(西湖大学);Imperial College London(帝国理工学院);Alibaba Group(阿里巴巴集团);University of Cambridge(剑桥大学)
本研究提出利用自我运动作为结构先验,通过脑启发机制提升认知图形成效,增强空间导航的鲁棒性与准确性。
2025-12-23 cs.NE q-bio.NC
Through synapses to spatial memory maps: a topological model
各种神经生理和认知功能都是基于通过复杂的突触连接系统在尖峰神经元之间传递信息。特别是,突触前输入影响突触后输出的能力-突触的功效-在海马神经生理学的各个方面起着主要作用。然而,在个体突触水平上处理的信息与动物在有机体水平上形成记忆的能力之间的直接联系尚未完全理解。在这里,我们调查的影响,突触传递概率的能力,海马位置细胞合奏,以产生一个认知地图的环境。使用代数拓扑学的方法,我们发现,削弱突触连接增加空间学习时间,产生拓扑缺陷的大规模表示的周围空间和限制的参数范围内的地方细胞合奏能够产生正确的拓扑结构的地图。另一方面,结果表明,补偿现象的可能性,即空间学习的缺陷,可以通过增强神经元的活动得到缓解。
2018-10-28 q-bio.NC
Multi-Modal Cognitive Maps based on Neural Networks trained on Successor Representations
University Erlangen-Nuremberg(埃尔朗根-纽伦堡大学);University Hospital Erlangen(埃尔朗根大学医院)
提出基于successor representations的多模态神经网络,利用图像和词嵌入成功建模认知地图,实现超90%跨模态推断,为AI情境感知与概念落地提供新架构。
2023-12-22 cs.AI cs.LG cs.NE
Quantum Cognition based on an Ambiguous Representation Derived from a Rough Set Approximation
在过去的几年里,在Arrechi和其他人的一系列论文中,一个涉及决策的认知过程模型已经被提出和研究。该模型的核心是将决策的基本认知过程理解和判断表达为对神经元脉冲序列信息内容进行分类的逆贝叶斯推理。对于连续的多个刺激,它已被证明,这种推理,配备了基本的非算法跳跃,是受量子的特性。我们在这里表明,这样的决策过程是一贯的话语的宇宙内的观察员与模糊的表示。在我们的工作中,一个对象或一个刺激的模糊表征是由一对从一组对象到它们的表征的映射定义的,其中这两个映射在特定的结构中是相互关联的。贝叶斯推断中的先验和后验假设被上近似和下近似所取代,相应地,对于每个相对于地图导出的初始数据集。我们进一步表明,由于这两个地图之间的特殊结构关系,这种组合近似的逻辑结构只能表示为正交模格,因此可以表示为量子而不是布尔逻辑。据我们所知,这是第一个旨在揭示认知过程中逆贝叶斯推理的具体逻辑结构的研究。
2015-11-19 q-bio.NC
How the Stroop Effect Arises from Optimal Response Times in Laterally Connected Self-Organizing Maps
本文用自组织映射实现斯特鲁普任务,表明该效应源于优化响应时间,是整体高效表现的代价,可用于认知控制研究。
2025-05-11 cs.NE q-bio.NC
Binding in hippocampal-entorhinal circuits enables compositionality in cognitive maps
提出海马结构空间表征规范模型,结合最优性原理与代数框架,利用残差数系统、复值向量绑定和模块化吸引子网络实现位置编码,支持鲁棒路径积分与组合计算。
2024-06-27 cs.NE q-bio.NC
Charting trajectories of human thought using large language models
University of Oxford(牛津大学);Max Planck UCL Centre for Computational Psychiatry and Ageing, University College London(伦敦大学学院马克斯·普朗克计算精神病学与衰老中心);Champalimaud Centre for the Unknown(尚帕利莫未知研究中心);Hebrew University of Jerusalem(耶路撒冷希伯来大学);Wellcome Centre for Human Neuroimaging, University College London(伦敦大学学院惠康人类神经影像中心)
本文提出计算框架 VECTOR,将大语言模型表征与人类认知地图对齐,把言语报告转化为思维轨迹,并基于 1,100 名参与者的叙事验证其可预测反应时间等行为,为研究自然情境下概念知识的动态组织与导航开辟新途径。
2025-09-17 q-bio.NC
Topological Schemas of Memory Spaces
海马认知图-空间环境的神经元表征-在计算神经科学文献中被广泛讨论了几十年。最近的研究指出,海马体在产生另一种认知框架中起着重要作用,这种认知框架不仅包含空间记忆,还包含非空间记忆--记忆空间。然而,与认知地图不同的是,记忆空间几乎没有从理论的角度进行研究。在这里,我们提出了一种方法来模拟海马记忆空间作为神经元尖峰活动的附带现象。首先,我们认为记忆空间可以被看作是一个有限的拓扑空间-一个假设,允许平等对待海马功能的空间和非空间方面。然后,我们模型的记忆空间的拓扑特性,以证明这一概念自然地结合了认知地图的概念。最后,我们提出了一个正式的描述的内存巩固过程,并指出之间的连接所提出的模型的内存空间的所谓的莫里斯的模式,出现作为最紧凑的表示的内存结构。
2017-10-16 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
Text2Brain: Synthesis of Brain Activation Maps from Free-form Text Query
Cornell University(康奈尔大学);University of California, Davis(加利福尼亚大学戴维斯分校);Institute of Infocomm Research (I2R), A*STAR(新加坡科技研究局资讯通信研究院);Weill Cornell Medicine(威尔康奈尔医学院)
大多数神经影像学实验的动力不足,受到个体研究所能调查的受试者数量和认知过程的限制。尽管如此,经过几十年的研究,神经科学已经积累了大量的成果。它仍然是一个挑战,消化这个不断增长的知识库,并获得新的见解,因为现有的元分析工具仅限于关键字查询。在这项工作中,我们提出了Text2Brain,一个神经网络方法,用于神经成像研究的基于坐标的元分析,从开放式文本查询中合成大脑激活图。结合基于transformer的文本编码器和3D图像生成器,Text2Brain在可变长度的文本片段及其相应的激活图上进行了训练,这些激活图是从13,000项已发表的神经成像研究中采样的。我们证明,Text2Brain可以从认知概念的自由形式的文本描述中合成解剖学上合理的神经激活模式。Text2Brain可在https://braininterpreter.com上获得,作为一种基于网络的工具,用于检索已建立的先验知识并为神经科学研究生成新的假设。
2021-09-28 cs.LG q-bio.NC
A Grid Cell-Inspired Structured Vector Algebra for Cognitive Maps
Forschungszentrum Jülich(于利希研究中心);RWTH Aachen(亚琛工业大学);UC Berkeley(加州大学伯克利分校)
本文提出GC-VSA模型,融合连续吸引子网络与向量符号架构,以三维神经元模块模拟网格细胞编码,统一实现路径整合、时空表示和符号推理等空间与抽象认知任务。
2025-03-11 cs.AI cs.NE q-bio.NC
Automated mapping of virtual environments with visual predictive coding
California Institute of Technology(加州理工学院)
本研究提出预测编码作为统一算法框架,通过自注意力卷积神经网络在虚拟环境中实现自动空间映射,支持向量导航,并可推广至多感官输入。
2024-04-17 cs.CV cs.LG eess.IV
Neural Network based Successor Representations of Space and Language
University Erlangen-Nuremberg(埃尔朗根-纽伦堡大学);University Hospital Erlangen(埃尔朗根大学医院)
大脑是如何组织思想的?内嗅复合体被认为支持任意状态、特征和概念空间的结构知识的域一般表示和处理。特别是,它能够形成认知地图,并在这些地图上导航,从而广泛地促进认知。有人提出,多尺度后继表示的概念提供了一个解释的地方和网格单元执行的底层计算。在这里,我们提出了一个基于神经网络的方法来学习这样的表示,并将其应用到不同的场景:基于监督学习的空间探索任务,基于强化学习的空间导航任务,和一个非空间任务,语言结构必须通过观察例句来推断。在所有情况下,神经网络通过构建后继表示来正确地学习和近似底层结构。此外,由此产生的神经放电模式与实验观察到的位置和网格细胞放电模式惊人地相似。我们的结论是,认知地图和基于神经网络的结构化知识的后继表示提供了一种很有前途的方法,以克服深度学习对人工通用智能的一些短期障碍。
2022-02-22 cs.AI q-bio.NC
Feature Estimation of Global Language Processing in EEG Using Attention Maps
Tokyo Institute of Technology(东京工业大学);RPTU Kaiserslautern-Landau(凯撒斯劳滕-兰道理工大学);DFKI GmbH(德国人工智能研究中心)
本研究提出利用Vision Transformer和EEGNet的注意力图估计脑电图特征,发现EEGNet在聆听与说话任务分类中准确率最高,且注意力图特征随输入数据变化,可支持定制化特征提取和早期疾病检测。
2024-09-27 cs.CV eess.SP q-bio.NC
Mapping cognitive ontologies to and from the brain
Inria Saclay Ile-de-France(法国国家信息与自动化研究所萨克雷-法兰西岛分部)
影像神经科学通过相关研究将大脑激活图与行为和认知联系起来。由于个体实验的性质,基于从少量刺激中引发神经反应,这种联系是不完整的,并且从因果关系的角度来看是单向的。要想对大脑区域的激活所隐含的功能得出结论,就必须将对各种大脑功能的广泛探索与对统计推断的一些反演结合起来。在这里,我们介绍了一种方法,用于积累知识,实现观察到的大脑活动和相应的功能之间的双向联系。我们依赖于大量的成像研究和预测引擎。从技术上讲,挑战是在不改变语料库丰富性的情况下找到研究之间的共性。我们贡献的关键要素是标记与认知本体执行的任务,并在语料库中建模罕见的范例的长尾。据我们所知,我们的方法是预测全新大脑图像的认知内容的第一个演示。为此,我们提出了一种预测不同研究中实验范式的方法。
2013-11-20 cs.LG q-bio.NC stat.ML
Learning Neural Representations of Human Cognition across Many fMRI Studies
Inria(法国国家信息与自动化研究所);CEA(法国原子能和替代能源委员会);Université Paris-Saclay(巴黎-萨克雷大学);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立高等物理、数学与信息学院)
认知神经科学正在享受广泛的公共脑成像数据集的快速增长。它为大规模统计模型打开了大门。为所有可用的数据找到一个统一的视角,需要可扩展的自动化解决方案来应对一个古老的挑战:如何将关于大脑功能的异构信息聚合到一个通用的认知系统中,将心理操作/认知过程/心理任务与大脑网络联系起来?我们将这一挑战转化为机器学习方法,通过不同研究的统计大脑地图来预测条件。为此,我们利用多任务学习和多尺度降维来学习携带认知信息并且可以与心理刺激鲁棒地相关联的大脑图像的低维表示。我们的多数据集分类模型在几个大型参考数据集上实现了最佳的预测性能,与没有认知感知低维表示的模型相比,它为小数据集的分析带来了实质性的性能提升,并且可以内省以识别通用模板认知概念。
2017-11-11 cs.LG q-bio.NC stat.ML
Relative representations for cognitive graphs
本文将相对表示扩展至离散状态空间模型,利用克隆结构认知图(CSCGs)实现跨智能体通信,并提出一种事后应用的零样本模型拼接技术,为认知地图研究提供概念验证。
2023-09-09 nlin.AO q-bio.NC
Modeling cognitive load as a self-supervised brain rate with electroencephalography and deep learning
Technological University Dublin(都柏林理工大学)
测量脑力负荷的主要原因是量化执行任务的认知成本,以预测人类的表现。遗憾的是,目前还没有一种具有普遍适用性的心理负荷评估方法。这项研究提出了一种新的自我监督方法,用于从EEG数据中进行心理工作负荷建模,该方法采用深度学习和连续的大脑速率,这是一种认知激活指数,而不需要人类陈述性知识。该方法是一种卷积递归神经网络,可以用来自EEG数据的空间保留谱地形头部图来训练,以拟合大脑速率变量。研究结果表明,卷积层能够从EEG数据中学习有意义的高级表示,因为受试者内模型的测试平均绝对百分比误差平均值为11%。增加一个长短期记忆层来处理高级表示的序列并不重要,尽管它确实提高了它们的准确性。研究结果指出,认知激活的学习高级表征存在准稳定块,因为它们可以通过卷积诱导,并且随着时间的推移似乎不相互依赖,直观地匹配大脑反应的非平稳性质。跨学科的模型,从越来越多的参与者的数据,从而包含更多的变异性,获得了类似的准确性内的主题模型。这突出了潜在的普遍性的诱导高层次的代表性在人群中,这表明存在独立于主体的认知激活模式。这项研究为学者提供了一种新的计算方法,用于心理工作负荷建模,旨在普遍适用,不依赖于支持可复制性和可证伪性的特设人工模型,从而为知识体系做出了贡献。
2022-09-21 cs.AI cs.HC cs.LG
Evaluating the structure of cognitive tasks with transfer learning
Université Paris-Saclay(巴黎萨克雷大学);Inria(法国国家信息与自动化研究所);Federal University of ABC(ABC联邦大学);King’s College London(伦敦国王学院)
本研究探究深度学习表征在不同EEG解码任务间的可迁移性,在ERP CORE和M$^3$CV数据集上实验表明线性探测迁移可带来高达28%的性能提升,并揭示了认知任务的层级关系。
2023-07-28 cs.AI cs.LG eess.SP