neuron
PulseAugur coverage of neuron — every cluster mentioning neuron across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
人工智能发展应模仿人脑以实现效率和持续学习
人工智能发展应从生物系统,特别是人脑中汲取灵感,以实现更高的效率和持续学习能力。当前的人工智能模型能耗高且缺乏持久记忆,而人脑则通过神经连接存储信息并通过突触可塑性进行学习。通过模仿大脑的架构,人工智能工程师可以创建无需持续再训练即可持续学习和推理的系统,从而可能降低当前人工智能相关的巨大能源消耗和计算成本。
-
Neuron MCP 服务器在保持安全性的同时增强了可发现性
位于 app.neuron.expert 的远程 MCP 服务器已更新,允许在不要求对特定方法进行身份验证的情况下进行发现。以前,如果没有提供 token,像 `initialize` 和 `tools/list` 这样的方法会返回 401 Unauthorized 错误,这影响了它在 mcptry.com 上的排名。该服务器现在将公共方法(包括 `initialize`、`ping` 和 `tools/list`)与经过身份验证的方…
-
新研究提出受星形胶质细胞启发的算法以增强机器学习
一篇新研究论文提出了一种受星形胶质细胞启发的生物计算方法。星形胶质细胞是一类不发射电信号但对学习和记忆等认知功能起着至关重要作用的脑细胞。该论文介绍了基于星形胶质细胞同时调节数千个突触的能力及其非电信号通信的算法,这可能带来更快的训练速度、提高对噪声的鲁棒性以及防止机器学习模型中的灾难性遗忘。据报道,这些源自星形胶质细胞的算法优于传统的以神经元为中心的算法,并解决了当前机器学习模型中的关键弱点。
-
微软研究人员通过编辑休眠神经元后门化 AI 代理
微软研究人员开发了一种通过改变少量休眠神经元来后门化 AI 代理的方法,他们将其命名为 Lazarus。此攻击只需要修改不到十个神经元,并且不需要重新训练模型,从而使受损的代理能够通过标准的安全性评估。检测此类后门的方法是将其权重与原始的、未受污染的版本进行比较。
-
新的 FedFiOT 框架通过 Fisher 加权最优传输增强联邦学习
研究人员开发了 FedFiOT,一个新颖的联邦学习框架,以应对单次和少轮设置中的挑战。该方法使用 Fisher 信息来加权参数重要性并对齐客户端模型之间的神经元,从而缓解了由模型漂移和数据异质性引起的问题。FedFiOT 同时优化神经元对应关系和全局模型参数,在各种联邦学习场景中展示了优于现有方法的持续性能改进。
-
构建一个简单的神经回路以产生复杂行为
本文探讨了如何通过构建一个名为“spark”的模拟生物来从简单的神经回路中产生复杂行为。最初,一个只有一个眼睛和一个鳍状肢的spark会随机移动。添加第二个眼睛和鳍状肢,并进行交叉连接,使其能够朝着光源转向。通过抑制性连接的进一步改进,spark可以在到达目标时减速并停止,这表明基本的神经连接可以产生复杂的响应。
-
未训练的果蝇连接组可实现学习行为逆转
研究人员利用已发布的、参数未经调整的大脑模型,将成年果蝇的大脑和神经索连接组转化为脉冲神经网络。当在体内进行模拟时,该网络通过连接感觉输入和运动神经元输出的简单规则,实现了接近95%的嗅源的障碍导航。研究发现,蘑菇体中的多巴胺门控突触减弱使果蝇能够将其行为从接近气味逆转为避开气味,这表明即使是未训练的连接组也能支持学习行为的逆转。
-
大脑类器官以83%的准确率识别布莱叶盲文 · 跟踪2个来源
科学家们开发了由大约10,000个神经元组成的大脑类器官,能够识别布莱叶盲文。单个类器官在此任务中的准确率约为61%,而三个类器官组成的团队则达到了83%的准确率。
-
中国研究发现神经元充当决策微型计算机
中国科学家发现,单个神经元,特别是其树突,可以充当微型计算机。这些树突整合学习到的规则和感官输入,从而实现哺乳动物灵活的决策和行为适应。这项在小鼠身上进行的研究为认知过程提供了新的见解,并可能为开发更先进的AI系统提供信息。
-
视频解释LLM架构、神经元和Transformer
这是一个简短的视频,解释了大型语言模型(LLM)的基本工作原理。它涵盖了神经元、Softmax函数、层和Transformer架构等关键概念。该视频旨在为学习者提供机器学习原理的基础理解。
-
新论文使用曼德尔布罗特集来分析神经计算分辨率
一篇新的arXiv论文探讨了观察神经计算的分辨率如何影响其表观结构和计算能力。该研究引入了一种尺度索引分解方法,将预测信息与直接依赖关系区分开来,并与残余信息区分开来。它表明,投影可以将高阶依赖关系转化为成对结构,可能在不一定增加总预测信息的情况下增加由直接依赖关系捕获的信息比例。该框架表明,使用点神经元或直接群体方法的模型在特定尺度上建立描述,但未能完全识别产生观察到的关系的更精细的计算过程。
-
新研究揭示神经网络中的子空间级模块化
一篇新的研究论文提出了一个框架,用于识别超越单个神经元专业化的神经网络中的模块化。该研究引入了三个模块化级别:单元级、正交级和线性级,并通过选择性消融开发了评估它们的方法。在视觉、语言和循环神经网络中的发现表明,虽然单个神经元可能没有专业化,但功能模块化通常存在于子空间级别。这种子空间级模块化允许对特定计算进行有针对性的干预,对机械可解释性以及理解人工智能和生物神经网络系统中的功能组织具有重要意义。
-
神经网络通过反向传播和梯度下降进行学习
神经网络通过一个涉及前向传播以进行预测,以及反向传播以调整权重的过程来学习。反向传播计算损失函数相对于每个权重的梯度,指示最小化误差所需的改变方向和大小。该过程依赖链式法则将误差信息从输出层高效地传播回输入层,使网络能够从错误中学习。
-
研究论文分析偏置对密集联想记忆容量的影响
一篇新研究论文探讨了偏置对密集联想记忆绝对容量的影响,特别是在 Krotov-Hopfield 模型背景下。该研究分析了二元模式中的偏置如何影响记忆容量,揭示了容量的不同渐近形式,这取决于多项式交互的阶数和偏置的程度。对于固定偏置,容量分别以 O(N^(n/2)) 或 O(N^((n+1)/2)) 的形式随 N 增长(对于偶数或奇数交互阶数),这与无偏模式中观察到的 O(N^(n-1)/ln N) 容量形成对比。研究表明存在由偏置引起…
-
新型海马网络模型通过动态弛豫实现最优导航
研究人员开发了一种新颖的海马递归网络模型,该模型通过动态弛豫实现了最优的目标导向导航。该模型将空间位置表示为神经元活动,并使用连接权重来表示转移概率,障碍物则由消失的权重表示。网络通过行为时间尺度的突触可塑性学习这些连接,并在接收到目标信号后,其动力学弛豫成一个在数学上等同于线性可解马尔可夫决策过程(LMDP)的活动场。这种方法为在复杂环境中导航提供了一种高效且鲁棒的方法,其潜在应用超越了空间导航,可用于大脑中抽象理性地图中的一般规划。
-
新框架解释神经元延迟如何决定事件与序列检测
研究人员开发了一个延迟签名框架,以理解神经元如何检测神经信号中的时间特征。该框架提出,汇聚到树突分支的轴突传导延迟起着关键作用,只允许特定的输入序列同步到达。这些延迟的弥散决定了神经元是检测单个事件还是有序序列,窄弥散有利于序列检测。这种解剖学上的区别可能与髓鞘形成有关,并且该模型还根据时间容差和传导速度预测皮层柱直径。
-
Saab 发布高端自主作战飞机概念
Saab 发布了其 A3 协作作战飞机概念,该飞机被设计为一款高端、自主、超音速、无尾的飞行器。该概念旨在补充现有的有人战斗机(如 Gripen E),并可能为未来的瑞典作战飞机奠定技术基础。Saab 还在开发另外两款无人作战飞机演示机 A1 和 A2,其中 A1 计划在 15 个月内首飞,A2 则计划在本十年末首飞。
-
AMD代码现已合入NVIDIA的NIXL库,结束了10年的阻碍 · 追踪6个来源
SemiAnalysis报道称,AMD工程师现在可以直接向NVIDIA的NIXL推理通信库贡献代码更改。此前,NVIDIA在长达十年间基本阻止AMD合入其代码。通过过去两年的努力,SemiAnalysis促成了和解,导致NVIDIA接受了AMD的拉取请求。此次集成于2026年6月完成,消除了AMD维护独立分支的需要,节省了大量工程时间。
-
新的V-FIND框架揭示了视频伪造检测器中的内在知识
研究人员开发了一个名为V-FIND的新框架,以更好地理解视频伪造检测器的工作原理。V-FIND旨在揭示这些检测器内部区分真实视频和伪造视频的具体知识,而不是将它们视为黑箱。该框架识别出编码这种“取证知识”的专用神经元,并将它们组织到一个紧凑的子空间中。这种方法即使在仅用这个子空间训练一个轻量级分类器,并冻结原始检测器的情况下,也能实现有效的伪造检测。
-
神经网络入门:受人脑启发的简单指南
本文解释了神经网络的基本概念,将其与人脑的神经元和突触结构进行类比。文章分解了输入层、隐藏层和输出层这三个主要层级,详细说明了它们在处理数据和做出决策方面的各自功能。解释强调了神经网络如何通过一种称为反向传播的过程进行学习,通过调整“权重”来提高准确性,而无需深入复杂的数学公式。