层次工作记忆与新魔法数字
原文中文,约400字,阅读约需1分钟。发表于: 。本研究解决了工作记忆容量有限与日常感知信息处理能力不匹配的问题,提出了一种基于递归神经网络的分块模型,揭示了大脑如何通过分块动态组织信息。研究表明,该模型可以通过层次化分块构建记忆表示,进而超出基本容量的限制,提供了理解认知过程中信息组织的新框架。
我们提出了一种名为“动态网络架构”的新型智能系统架构,该架构依赖于稳定循环网络,并讨论其在视觉上的应用。通过动态连接主义原则,我们的模型通过自组织机制,结合Hebbian可塑性和定期加强的抑制来稳定初级传入信号引起的神经激活。我们证明了DNA的可行性,即使在每个空间位置引入了高达59%的噪声,线条表示的构建仍然保持稳定。此外,我们展示了该模型能够从部分遮挡的输入中重建预期特征,并且可以推广到训练期间未观察到的模式。我们提供了关于一个独立区域的优势和不足的深入理解,并展望了未来工作如何通过组合多个区域来实现不变的物体识别。