神经元与认知研究快报
用 AI 跟踪日新月异的神经元与认知领域进展
连接心智与机器：迈向人工智能与认知科学的融合
认知科学（Cognitive Science）深刻塑造了人工智能（AI）、哲学、心理学、神经科学、语言学和文化学等多个学科领域。AI领域的许多突破都源于认知理论，而AI本身已成为推进认知研究不可或缺的工具。这种相互促进的关系促使我们对AI与认知科学之间的交叉点进行全面回顾。通过综合两个视角的关键贡献，我们观察到AI的进展主要强调实际任务性能，而其认知基础在概念上仍然较为分散。我们认为，AI在认知科学中的未来不仅在于提升性能，更在于构建能够深化我们对人类心智理解的系统。有前景的研究方向包括：将AI行为与认知框架对齐、将AI置于具身化和文化情境中、开发个性化认知模型，以及通过认知协同评估重新思考AI伦理。
用于功能神经网络构建的量子状态富达
神经科学家在分析密集功能网络的高维神经记录数据方面面临挑战。 如果没有地面真相参考数据,找到恢复神经相关网络的最佳算法仍然是一个悬而未决的问题。 我们实现了混合量子算法来构建功能网络,并将其与记录的经典技术的结果进行比较。 我们证明,我们的量子态保真方法可以通过揭示不同的功能网络来为经典指标提供有竞争力的替代品。 我们的研究结果表明,量子计算为神经科学中的数据驱动建模提供了一种可行且具有潜在优势的替代方案,强调了其在高维图推理和复杂系统分析中的更广泛适用性。
BrainPath:生成特定主题的大脑衰老轨迹
量化和预测个体大脑衰老轨迹对于理解神经退行性疾病和衰老的异质性至关重要,但目前的方法仍然有限。 大多数模型预测时间年龄,生物老化的不完美替代物,或生成合成核磁共振成像,增强数据多样性,但未能捕获特定主题的轨迹。 在这里,我们介绍了BrainPath,一个3D生成框架,在训练期间学习纵向大脑衰老动力学,并在推断时从单个基线扫描中预测任意时间点的解剖学忠实MRI。 BrainPath集成了年龄校准损失,交换学习策略和年龄感知损失,以保持微妙的,生物学上有意义的变化。 在坚持的ADNI和独立NACC数据集中,BrainPath在结构相似性(SSIM),平均平方误差(MSE),峰值信噪比(PSNR)和MRI年龄差异精度方面优于最先进的参考模型,同时捕获逼真且时间一致的衰老模式。 除了方法创新之外,BrainPath还实现了大脑衰老的个性化映射,合成后续扫描预测和基于轨迹的分析,为大脑衰老的精确建模提供了基础,并支持对神经退行性和衰老干预的研究。
解开大脑与计算机视觉模型的融合因素
许多在自然图像上训练的AI模型产生了类似于人类大脑的表征。 然而,驱动这种大脑模型相似性的因素仍然知之甚少。 为了解开模型、训练和数据如何独立地引导神经网络开发类似大脑的表征,我们训练了一个自我监督的视觉变压器(DINOv3)家族,系统地改变了这些不同的因素。 我们将它们的图像表示与fMRI和MEG记录的人脑的表征进行比较,在空间和时间分析中提供高分辨率。 我们通过三个互补指标来评估大脑模型相似性,重点关注整体表示相似性,地形组织和时间动力学。 我们表明,所有三个因素 - 模型大小,训练量和图像类型 - 独立和交互式地影响这些大脑相似性指标。 特别是,用最以人为中心的图像训练的最大DINOv3模型达到了最高的大脑相似度。 在AI模型中,这种类似大脑的表征的出现遵循了训练过程中的特定年表:模型首先与感觉皮层的早期表示一致,并且仅与大脑的晚期和前额叶表征保持一致,并进行了更多的训练。 最后,这种发育轨迹被人类皮层的结构和功能特性所索引:模型最后获得的表征与具有最大发育膨胀,厚度,最小髓鞘和最慢时间尺度的皮质区域特别一致。 总体而言,这些发现将架构与塑造人工神经网络如何像人类一样看待世界的经验之间的相互作用进行了区分,从而提供了一个有前途的框架来了解人类大脑如何代表其视觉世界。
ML-PWS:使用神经网络估计实验时间序列之间的相互信息
量化信息传输的能力对于自然和工程系统的分析和设计至关重要。 信息传输速率是具有时间变化信号的系统的基本措施,但计算它极具挑战性。 特别是,由于信号轨迹空间的维度高,不能直接从实验时间序列数据中获得速率。 路径重量采样(PWS)是一种计算技术,可以准确地获得任何随机系统的信息速率。 然而,它需要感兴趣的系统的数学模型,无论是用主方程或一组微分方程来描述。 在这里,我们展示了一种利用机器学习(ML)从实验时间序列数据中开发生成模型的技术,然后与PWS结合以获得信息速率。 我们通过比较非线性模型生成的合成时间序列数据的结果与将PWS直接应用于同一模型获得的地面真实结果,证明了这种技术(称为ML-PWS)的准确性。 我们通过将其应用于神经元时间序列数据来说明ML-PWS的实用性。
相关分类
最新研究
NSPDI-SNN:基于非线性突触修剪和树突集成的高效轻量级SNN
尖刺神经网络(SNNs)是基于模拟生物神经元的人工神经网络,在最近的人工智能技术研究中引起了很多关注。 生物神经元中的树突具有有效的信息处理能力和计算能力;然而,SNN的神经元很少与树突的复杂结构相匹配。 受神经元树突的非线性结构和高度稀疏特性的启发,在本研究中,我们提出了一种高效,轻量级的SNN方法,具有非线性修剪和树突整合(NSPDI-SNN)。 在这种方法中,我们引入了非线性树突整合(NDI),以改善神经元时空信息的表示。 我们实现了树突棘的异质状态过渡比,并构建了一种新的灵活的非线性突触修剪(NSP)方法,以实现SNN的高稀疏性。 我们对三个基准数据集(DVS128 Gesture,CIFAR10-DVS和CIFAR10)进行了系统实验,并将评估扩展到两个复杂的任务(语音识别和基于强化学习的迷宫导航任务)。 在所有任务中,NSPDI-SNN始终以最小的性能下降实现高稀薄。 特别是,我们的方法在所有三个事件流数据集上取得了最好的实验结果。 进一步的分析表明,随着稀变性的增加,NSPDI显著提高了突触信息传输的效率。 总之,我们的结果表明,神经元树突的复杂结构和非线性计算为开发高效的SNN方法提供了一种有希望的方法。
连接心智与机器：迈向人工智能与认知科学的融合
认知科学（Cognitive Science）深刻塑造了人工智能（AI）、哲学、心理学、神经科学、语言学和文化学等多个学科领域。AI领域的许多突破都源于认知理论，而AI本身已成为推进认知研究不可或缺的工具。这种相互促进的关系促使我们对AI与认知科学之间的交叉点进行全面回顾。通过综合两个视角的关键贡献，我们观察到AI的进展主要强调实际任务性能，而其认知基础在概念上仍然较为分散。我们认为，AI在认知科学中的未来不仅在于提升性能，更在于构建能够深化我们对人类心智理解的系统。有前景的研究方向包括：将AI行为与认知框架对齐、将AI置于具身化和文化情境中、开发个性化认知模型，以及通过认知协同评估重新思考AI伦理。
用于功能神经网络构建的量子状态富达
神经科学家在分析密集功能网络的高维神经记录数据方面面临挑战。 如果没有地面真相参考数据,找到恢复神经相关网络的最佳算法仍然是一个悬而未决的问题。 我们实现了混合量子算法来构建功能网络,并将其与记录的经典技术的结果进行比较。 我们证明,我们的量子态保真方法可以通过揭示不同的功能网络来为经典指标提供有竞争力的替代品。 我们的研究结果表明,量子计算为神经科学中的数据驱动建模提供了一种可行且具有潜在优势的替代方案,强调了其在高维图推理和复杂系统分析中的更广泛适用性。
BrainPath:生成特定主题的大脑衰老轨迹
量化和预测个体大脑衰老轨迹对于理解神经退行性疾病和衰老的异质性至关重要,但目前的方法仍然有限。 大多数模型预测时间年龄,生物老化的不完美替代物,或生成合成核磁共振成像,增强数据多样性,但未能捕获特定主题的轨迹。 在这里,我们介绍了BrainPath,一个3D生成框架,在训练期间学习纵向大脑衰老动力学,并在推断时从单个基线扫描中预测任意时间点的解剖学忠实MRI。 BrainPath集成了年龄校准损失,交换学习策略和年龄感知损失,以保持微妙的,生物学上有意义的变化。 在坚持的ADNI和独立NACC数据集中,BrainPath在结构相似性(SSIM),平均平方误差(MSE),峰值信噪比(PSNR)和MRI年龄差异精度方面优于最先进的参考模型,同时捕获逼真且时间一致的衰老模式。 除了方法创新之外,BrainPath还实现了大脑衰老的个性化映射,合成后续扫描预测和基于轨迹的分析,为大脑衰老的精确建模提供了基础,并支持对神经退行性和衰老干预的研究。
解开大脑与计算机视觉模型的融合因素
许多在自然图像上训练的AI模型产生了类似于人类大脑的表征。 然而,驱动这种大脑模型相似性的因素仍然知之甚少。 为了解开模型、训练和数据如何独立地引导神经网络开发类似大脑的表征,我们训练了一个自我监督的视觉变压器(DINOv3)家族,系统地改变了这些不同的因素。 我们将它们的图像表示与fMRI和MEG记录的人脑的表征进行比较,在空间和时间分析中提供高分辨率。 我们通过三个互补指标来评估大脑模型相似性,重点关注整体表示相似性,地形组织和时间动力学。 我们表明,所有三个因素 - 模型大小,训练量和图像类型 - 独立和交互式地影响这些大脑相似性指标。 特别是,用最以人为中心的图像训练的最大DINOv3模型达到了最高的大脑相似度。 在AI模型中,这种类似大脑的表征的出现遵循了训练过程中的特定年表:模型首先与感觉皮层的早期表示一致,并且仅与大脑的晚期和前额叶表征保持一致,并进行了更多的训练。 最后,这种发育轨迹被人类皮层的结构和功能特性所索引:模型最后获得的表征与具有最大发育膨胀,厚度,最小髓鞘和最慢时间尺度的皮质区域特别一致。 总体而言,这些发现将架构与塑造人工神经网络如何像人类一样看待世界的经验之间的相互作用进行了区分,从而提供了一个有前途的框架来了解人类大脑如何代表其视觉世界。
ML-PWS:使用神经网络估计实验时间序列之间的相互信息
量化信息传输的能力对于自然和工程系统的分析和设计至关重要。 信息传输速率是具有时间变化信号的系统的基本措施,但计算它极具挑战性。 特别是,由于信号轨迹空间的维度高,不能直接从实验时间序列数据中获得速率。 路径重量采样(PWS)是一种计算技术,可以准确地获得任何随机系统的信息速率。 然而,它需要感兴趣的系统的数学模型,无论是用主方程或一组微分方程来描述。 在这里,我们展示了一种利用机器学习(ML)从实验时间序列数据中开发生成模型的技术,然后与PWS结合以获得信息速率。 我们通过比较非线性模型生成的合成时间序列数据的结果与将PWS直接应用于同一模型获得的地面真实结果,证明了这种技术(称为ML-PWS)的准确性。 我们通过将其应用于神经元时间序列数据来说明ML-PWS的实用性。
用SNNDeep改善肝病诊断:使用多样化学习算法的自定义尖刺神经网络
目的:尖峰神经网络(SNN)最近作为传统深度学习模型的节能,生物学上合理的替代品而备受关注。 他们在高风险生物医学成像中的应用几乎完全未开发。 方法:本研究介绍了SNNDeep,这是第一个针对计算机断层扫描(CT)特征的肝脏健康状况的二元分类进行优化的定制SNN。 为了确保临床相关性和广泛的可推广性,该模型使用来自医学分段十项全能(MSD)的Task03数据集进行了开发和评估,这是一个标准化的基准,广泛用于评估各种医学成像任务的性能。 我们通过三种架构变体对三种根本不同的学习算法进行了基准测试,即Surrogate Gradient Learning,Tempotron规则和Bio-Inspired Active Learning:从头开始构建的完全定制的低级模型,以及使用领先的SNN框架的两个实现,即snnTorch和SpkingJelly。 使用Optuna进行了超参数优化。 结果:我们的结果表明,定制的SNNDeep始终优于基于框架的实现,实现了98.35的最大验证精度
机器学习应用的EG自适应细分
目标。 脑电图(EEG)数据是通过采样连续的神经时间序列信号得出的。 为了准备机器学习的EEG信号,信号必须分为可管理的段。 目前的幼稚方法使用任意的固定时间切片,这可能具有有限的生物学相关性,因为大脑状态并不局限于固定的间隔。 我们研究自适应分割方法是否有利于机器学习EEG分析。 方法。 我们引入了一种新的自适应分割方法CTXSEG,该方法基于EEG数据的统计差异创建可变长度段,并提出了将其与通常需要固定长度输入的现代机器学习方法一起使用的方法。 我们使用新型信号发生器 CTXGEN 生成的可控合成数据来评估 CTXSEG。 虽然我们的CTXSEG方法具有通用实用性,但我们通过将其应用于脑电图癫痫发作检测问题,在真实世界的用例中验证它。 我们将 CTXSEG 的性能与用于癫痫检测的典型 EEG 机器学习管道的预处理步骤中的固定长度分割进行了比较。 主要成果。 我们发现,使用CTXSEG准备EEG数据在使用标准化框架进行评估时,与固定长度方法相比,可以提高癫痫检测性能,而无需修改机器学习方法,并且需要更少的段。 意义。 这项工作表明,使用CTXSEG进行自适应分割可以很容易地应用于现代机器学习方法,具有提高性能的潜力。 它是用于信号预处理的固定长度分割的有希望的替代方案,应被视为EEG机器学习应用中标准预处理剧目的一部分。
时间序列分析通过转移熵熵和定向持久同理
我们提出了一个用于分析神经时间序列的拓扑框架,该框架将转移熵(TE)与定向的持久同源性(PH)集成在一起,以表征尖刺神经系统中的信息流。 TE 量化神经元之间的定向影响,产生反映动态相互作用的加权定向图形。 然后使用PH分析这些图表,从而评估跨多个结构尺度和维度的拓扑复杂性。 我们将这个 TE+PH 管道应用于在逻辑门任务中训练的合成尖刺网络,暴露于结构化和扰动输入的图像分类网络,以及带有行为事件注释的鼠标皮层记录。 在所有设置中,由此产生的拓扑特征揭示了任务复杂性,刺激结构和行为机制之间的区别。 更高维度的特征在复杂或嘈杂的条件下变得更加突出,反映了超越成对连接的交互模式。 我们的发现提供了一种有原则的方法,将定向信息流映射到人工和生物神经系统的全球组织模式上。 该框架是可通用和可解释的,非常适合具有时间解析和二进制尖刻数据的神经系统。
脑电图研究想象温度感觉对感觉运动皮层神经活动的影响
了解感觉图像的神经相关性对于推进认知神经科学和开发新的脑-计算机接口(BCI)范式至关重要。 这项研究调查了想象温度感觉(ITS)对感觉运动皮层内神经活动的影响。 该实验研究涉及在应用于参与者手的真实热刺激(TS:40C热,20C冷)期间使用脑电图(EEG)评估神经活动,以及相应的冷热感觉的精神温度想象(ITS)。 分析的重点是量化感觉运动木节律(8-13 Hz)的事件相关脱同步(ERD)。 实验结果表明,在TS和ITS条件下,在中央头皮区域(例如C3)上定位的特征mu-ERD。 虽然在ITS期间mu-ERD的幅度略低于TS期间,但这种差异在统计学上没有显著性(p>.05)。 然而,ITS和TS期间的ERD在统计学上与静息基线(p<.001)有显著差异。 这些发现表明,想象温度感觉以与实际热感知相当的方式参与感觉运动皮质机制。 这种见解扩大了我们对感觉图像的神经生理学基础的理解,并提出了ITS对非运动BCI控制和神经康复技术的潜在效用。
避免跨越作为一种视觉搜索策略
虽然视觉搜索看起来基本上是随机的,但存在几个oculomotor偏差,因此saccade方向和长度的可能性取决于以前的扫描路径。 与最近的固定相比,更长的路径历史的影响更难量化。 使用运动生态学中常用的步选框架,并分析45秒观看“沃尔多在哪里”的数据,我们报告了一种新的记忆依赖效应,这种效应在个体之间也有很大差异,我们将其称为自我交叉回避。 这是saccades避免在扫描路径中较早穿过的趋势,并且当两者都有小幅度时最为明显。 我们通过将真实数据与从空间统计的无记忆近似生成的合成数据进行比较来展示这一点(即马尔科维亚非参数模型,随着时间的推移,球形长度的匹配分布)。 最大可能性拟合表明,当包括扫描路径的最后≈7秒时,这种效果最强。 效果大小与众所周知的历史依赖形式如抑制回归相当。 包括自我交叉惩罚术语在内的参数化概率模型能够重现骰子长度和自我交叉的联合统计数据。 我们还量化了个体战略差异,以及他们对每个参与者查看的六幅图像的一致性,使用混合效应回归。 避免交叉倾向较高的参与者平均显示较小的骶散长度和更短的固定持续时间,但没有显示更多的水平,垂直,向前或反向saccades。 总之,这些结果表明,避免交叉是一种局部导向的策略,有助于和补充抑制返回,从而探索视觉场景。
超越个人:记忆,注意力和语言出现的集体预测编码
本评论扩展了Parr等人关于记忆和注意力的讨论,超越了个人认知系统。 从集体预测编码(CPC)假设 - 理解这些能力和语言在群体层面出现的框架 - 我们引入了一个假设性的概念:该语言及其嵌入式分布语义作为集体形成的外部表示。 CPC概括了个人记忆的概念和对集体层面的关注。 这为共享语言结构提供了一个新视角,这些结构可能包含通过下个词预测学到的集体世界模型,从群体级认知中浮现出来并形成。
解决关系不一致的两种途径
当个人遇到违反他们期望的观察时,他们何时会调整他们的期望,以及尽管有这些观察,他们何时会保持他们的期望? 例如,当个体期望A型的物体比对象B小,但观察相反时,他们何时会调整他们对两个对象之间关系的期望(A大于B)? 天真地,人们预测违反行为越大,适应力就越大。 然而,实验表明,当违规行为极端时,个人更有可能坚持他们之前的期望,而不是调整它们。 为了解决这个难题,我们测试了能够进行关系学习的人工神经网络(ANN)的适应,并发现了类似的现象:标准学习动力学规定,小的违规行为将导致预期关系的调整,而较大的神经网络将使用不同的机制来解决 - 物体表示的变化绕过了关系期望的适应需求。 这些结果表明,在面临大规模预期违规时,实验观察到的先前预期的稳定性是学习动态的自然结果,不需要任何额外的机制。 最后,我们讨论了中间适应步骤对这种稳定性的影响。
全球工作区原始收缩属性
为了推进围绕多区域循环神经网络(RNNs)的重要新兴研究领域,我们在理论上和经验上扩展了Kozachkov等人在“RNNs的RNN:复发神经网络稳定组件的递归构建”中引入的可证明稳定的RNN。 我们证明了这种架构的显著特殊情况的稳定性条件,尤其是对于全球工作区模块化结构。 然后,我们展示了Global Workspace Sarse Combo Nets的经验成功,具有少量可训练的参数,不仅通过强大的整体测试性能,而且还具有更大的恢复力来移除单个子网络。 这些对全球工作空间间拓扑的实证结果取决于稳定性保存,突出了我们的理论工作对实现模块化RNN成功的相关性。 此外,通过更广泛地探索不同子网络模块之间连接结构的易性,我们提高了基准序列处理任务上稳定RNN的艺术性能,从而强调了多领域RNN的专用图形结构的一般效用。
深度强化学习代理执行间隔计时任务的新兴计时机制
绘制深度人工神经网络(DNN)和生物系统之间的相似之处可以帮助理解难以分离的复杂生物学机制。 时间处理是一个广泛研究的主题,就是这样一个例子,缺乏对其潜在机制的一致理解。 在这项研究中,我们研究了深度强化学习(DRL)代理执行间隔计时任务中的时间处理,并探索其新兴行为的潜在生物学对应物。 该代理被成功训练执行持续时间生产任务,该任务涉及在观看视频序列时连续标记目标间隔的连续发生。 对代理人内部状态的分析揭示了振荡神经激活,这是生物系统中无处不在的模式。 有趣的是,该剂的作用主要受到表现出这些振荡的神经元的影响,这些振荡具有与目标间隔相对应的高振幅和频率。 在代理的计时策略和跨航频率(SBF)模型(SBF)模型(一种生物学上合理的间隔时间模型)之间绘制了平行线。 此外,代理在不同的视频序列(包括空白视频)上进行测试时保持其振荡表示和任务性能。 因此,一旦学习,代理就内化了其计时机制,并显示对其环境的最小依赖以执行计时任务。 关于这种紧急行为与生物过程(如昼夜节律)进化的某些方面之间的相似性的假设已经讨论过。 这项研究旨在促进最近利用DNNs了解生物系统的研究努力,特别强调时间处理。
桥接基础模型和高效架构:具有局部掩模和预训练表征学习的模块化大脑成像框架
来自静息状态fMRI的功能连接(FC)在年龄和认知表现等个性化预测中起着关键作用。 然而,将基础模型(FM)应用于fMRI数据仍然具有挑战性,因为它的高维度,计算复杂性以及捕获复杂的时空动力学和间接区域(ROI)相互作用的困难。 为了解决这些限制,我们提出了一个模块化的神经成像框架,该框架将FM的原理与高效的特定领域架构集成在一起。 我们的方法从用于预训练的局部蒙面自动解码器(LMAE)开始,这减少了血流动力学(HRF)动力学的影响并抑制噪声。 紧随其后的是随机行走专家混合(RWMOE)模块,该模块将空间和时间维度的特征聚集在一起,有效地捕获复杂的大脑相互作用。 最后,基于状态空间模型(SSM)的预测器执行下游任务推断。 在剑桥老龄化和神经科学中心(Cam-CAN)数据集上评估,我们的框架实现了年龄预测的平均绝对误差(MAE)为5.343,流体智能为2.940,皮尔森相关系数(PCC)为0.928和0.887,分别优于现有的最先进的方法。 专家分布权重的可视化通过识别关键的大脑区域进一步提高了可解释性。 这项工作为基于LLM的fMRI分析方法提供了一种强大的,可解释的替代方法,为大脑衰老和认知功能提供了新的见解。
通过提供激励和实践克服人工神经网络的经典挑战
自从最早的人工神经网络(ANN)模型提出思想和大脑模型的建议以来,批评者指出这些模型与人类认知能力相比存在关键弱点。 在这里,我们回顾了最近使用元学习来克服几个经典挑战的工作,我们将其描述为解决激励和实践问题 - 即为机器提供提高特定技能和练习这些技能的机会的激励。 这种明确的优化与更传统的方法形成鲜明对比,希望通过优化相关但不同的目标来产生期望的行为。 我们回顾了这一原则应用于解决ANN的四个经典挑战:系统概括,灾难性遗忘,很少学习和多步骤推理。 我们还讨论了大型语言模型如何包含这个元学习框架的关键方面(即序列预测和基于不同数据的反馈),这有助于解释他们在这些经典挑战方面的一些成功。 最后,我们讨论了通过这个框架了解人类发展的各个方面的前景,以及自然环境是否为学习如何进行具有挑战性的概括提供了正确的激励和实践。
NeuroKoop:神经库普曼融合了用于识别青少年产前药物暴露的结构功能连接组
了解产前接触精神活性物质(如大麻)如何塑造青少年大脑组织仍然是一个关键挑战,由于多模态神经成像数据的复杂性和传统分析方法的局限性而变得复杂。 现有方法通常无法完全捕捉结构和功能连接组中嵌入的互补特征,从而限制了生物学洞察力和预测性能。 为了解决这个问题,我们引入了NeuroKoop,这是一个基于神经网络的新型图形框架,利用神经库普曼操作员驱动的潜在空间融合来整合结构和功能大脑网络。 通过利用Koopman理论,NeuroKoop统一了基于源的形态学(SBM)和基于功能网络连接(FNC)的大脑图的节点嵌入,从而增强了代表性学习和更可靠的产前药物暴露(PDE)状态分类。 从ABCD数据集中应用于大型青少年队列,NeuroKoop优于相关基线,并揭示了突出的结构功能连接,推动了我们对PDE神经发育影响的理解。
聚焦学习:使用视觉变压器检测行为和协作参与
在幼儿教育中,准确检测行为和协作参与对于培养有意义的学习体验至关重要。 本文介绍了一种人工智能驱动的方法,利用视觉变压器(ViTs)使用视觉线索(如凝视方向,互动和同伴协作)自动分类儿童的参与度。 利用Child-Play凝视数据集,我们的方法在注释视频段上训练,以分类行为和协作参与状态(例如,参与,不参与,协作,不协作)。 我们评估了三种最先进的变压器型号:Vision Transformer(ViT)、数据高效图像变压器(DeiT)和Swin Transformer。 其中,斯温变形金刚以97.58的精度实现了最高的分类性能
统一语言理论
语言的统一理论结合了贝叶斯语语言处理的认知语言模型,以及语言通过性选择来展示智力的建议。 该理论解释了语言的主要事实,包括其速度和表现力,以及语言多样性,实用主义,语法和语义的数据。 该理论的计算元素基于建筑语法。 这些给出了世界语言的语法和语义,使用构造和统一。 在构建语法中添加了两个新元素:语言实用主义的描述,以及快速,精确的语言学习的帐户。 结构在头脑中表现为像特征结构的图形。 人们使用缓慢的一般推断来理解他们听到的任何构造的前几个例子。 之后,它被学习为特征结构,并迅速被统一应用。 语言的各个方面(语音学,语法,语义学和实用主义)都是通过快速统一无缝计算的;语义和实用主义之间没有界限。 这解释了务实的主要难题,以及详细的务实现象。 统一是贝叶斯最大可能性模式匹配。 这在人脑中的语言处理和动物大脑中的贝叶斯认知之间提供了进化的连续性。 语言是我们思维阅读能力、合作、自尊和情感的基础;人类文化和社会的基础。