Hippocampus
PulseAugur coverage of Hippocampus — every cluster mentioning Hippocampus across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新论文称AI的Transformer主导地位是“结构性错误”
一篇新论文提出，Transformer架构在AI中的主导地位是一种结构性错误，这就像将大脑视为一个单一的、单一的组件，而不是一个由专门结构组成的系统。作者认为，这种“结构单一化”限制了AI的能力，并将其与大脑多样化、专业化的区域进行了对比。他们提倡采用“异构拓扑网络”方法，该方法将纳入为特定计算需求设计的不同模块，并从神经科学对大脑细胞结构图的理解中汲取灵感。
-
论点表明大型语言模型缺乏用于现实世界工作的“海马体”
Mastodon 上的一场讨论提出，预训练的大型语言模型（LLMs）在现实世界的公司应用中表现不佳，因为它们缺乏类似于人类记忆组织结构的“海马体”。这种观点认为，虽然大型语言模型拥有用于处理的“皮层”，但它们缺少能够有效执行复杂业务任务的关键记忆和学习组件。这一类比突显了当前大型语言模型架构中潜在的结构性限制。
-
新型海马体启发模型增强网络金融欺诈检测
研究人员开发了HIMVH，一种受人脑海马体启发的创新学习模型，用于改进在线金融欺诈的检测。该模型解决了识别罕见欺诈案例以及模仿合法交易的欺诈案例所面临的挑战。通过整合跨视图不一致感知和新颖性检测机制，HIMVH能够更好地识别细微的差异和偏离正常行为的模式，从而显著提高检测准确性。
-
新的SEAHORSE框架标准化时空事件建模基准
研究人员推出SEAHORSE，一个旨在标准化时空点过程（STPP）建模基准的新统一框架。该框架旨在解决当前STPP模型比较中的不一致性问题，这些比较常常因不同的预处理、归一化和评估协议而受到影响。SEAHORSE为各种神经STPP模型提供了一个通用接口，能够通过一致的报告实现可复现的训练、调优和评估。该框架使用合成数据集HawkesNest进行了测试，揭示了不同模型家族的归纳偏置在事件复杂度不断增加的情况下如何影响性能。
-
新的“几何稳定性”指标揭示了独特的神经编码特性
研究人员引入了一种名为“几何稳定性”的新指标来分析神经种群编码，该指标衡量配对刺激距离在不同试验中的一致性。该指标不同于时间稳定性和解码准确性，并且在视觉辨别任务中预测了神经-行为耦合。研究观察到几何稳定性在不同大脑区域存在显著的区域变异，其中纹状体显示出最高的稳定性，而海马体最低。一个吸引子网络模型表明，递归兴奋性耦合通过完成稀疏前馈输入的刺激模式来放大这种几何稳定性。
-
CALHippo 使用机器学习绘制大脑3D细胞结构
研究人员开发了CALHippo，一个用于在3D中绘制人脑海马体中神经元和胶质细胞的新系统。该系统利用最先进的分割网络，如CellPoseSAM，从高分辨率脑切片中识别和分类细胞类型。然后，它采用基于UNet的密度估计模型将这些注释映射到低分辨率切片上，生成概率细胞位置图，并最终重建海马体的3D点云。
-
新的“User as Engram”方法通过大脑启发的记忆编辑实现LLM的个性化
研究人员提出了一种名为“User as Engram”的新方法，用于个性化语言模型，该方法借鉴了人脑的记忆系统。与目前将用户数据存储在外部或使用可能污染模型的每用户LoRA适配器的方法不同，这种新方法将用户内容存储为模型记忆表中的手术式编辑。这种方法显著减小了内存占用，并将间接推理准确性平均提高了5.6倍，同时确保单个用户数据不会对模型的通用推理能力产生负面影响。
-
海马体的双曲几何结构增强记忆容量
研究人员开发了一个理论框架，表明海马体可能使用双曲结构来编码空间信息。这种几何方法可以通过实现一种新颖的联想记忆模型来增强记忆容量和解码精度。所提出的模型将神经解码与联想记忆联系起来，展示了现代霍普菲尔德网络如何计算估计量以及双曲几何如何改善计算效益。
-
AI精准识别X射线中的非法贩运海洋野生动物
研究人员创建了能够识别X射线扫描中非法贩运的海洋野生动物的AI算法。该系统在检测鱼翅和海马方面表现出95%的准确率，有助于打击港口和邮件设施的非法野生动物贸易。
-
大脑形态变化与老年人认知能力下降相关
一项发表在arXiv上的新研究探讨了80多岁人群的皮层脑结构形态变异与认知变化之间的关系。研究人员利用1936年洛锡安出生队列的神经影像学和认知数据，观察到包括海马体、丘脑和苍白球在内的多个皮层区域存在异质性萎缩模式。研究结果表明，这些区域特定的形态变形与老年人的普遍认知能力下降有关。
-
新型VaCoAl内存架构连接神经科学与高维计算
研究人员推出了一种新型代数确定性内存架构VaCoAl，旨在统一计算神经科学与高维计算。该架构基于伽罗瓦域线性反馈移位寄存器构建，为内存分解提供了寄存器级别的随机投影替代方案。VaCoAl旨在为Vector-HaSH和Tolman-Eichenbaum Machine等理论提供共享的代数基础，并与Judea Pearl的因果阶梯理论联系起来，以进行因果推理。