机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

本文研究了如何构建一个生物学上可行的模型，以解释神经系统如何实现预测。我们引入了一种利用能量模型（EBM）和连续吸引子神经网络的层次结构，来有效捕捉观察后的动作预测及学习过程。实验结果显示，该模型在多种场景下均表现出色，能够对训练环境和未见环境进行准确预测，表现与传统机器学习方法相当。

本文介绍了一种新颖的边缘级自我网络编码，提升了消息传递图神经网络的能力。该编码在实证评估中与基准线相匹配或有所提高，在表现力、图形分类、图形回归和接近性任务方面表现出色，并减少了内存使用。

该研究证明了人类视觉中存在双重思维，并研究了深度学习模型的定性行为。研究发现深度学习模型在识别形状时缺乏对子结构的理解，与人类直觉思维相似。

该文介绍了一种使用SupCon训练模型以识别外分布样本的方法，通过增加对比项扩展SupCon损失，将OOD特征与ID特征分开，并将OOD特征远离现有类原型。该方法在常见基准测试中与不同的OOD检测方法进行了比较，并展示了最先进的结果。

该研究从拓扑视角出发，构建了一个更一般的路径模型，并与其他拓扑领域的理论建立联系。该方法在不假设图的子结构的情况下，超越了早期技术，达到了最先进的性能。

本文研究了图神经网络（GNNs）的敌对鲁棒性问题，发现GNNs在表达能力和实际应用中存在差距，对轻微扰动不敏感，无法处理超出分布的图上的子结构。