概括是从多个实体中提取共同特征，形成更高层次的实体，是自下而上的方法。专门化是根据特征将实体分为子实体，是自上而下的方法，将高层实体分为多个低层实体。

该论文提出了一种自上而下的金字塔式递归神经网络TPRNN，用于时间序列预测。通过构建不同尺度的子序列和多尺度信息交互模块，实现了对时间序列中多尺度时间模式的建模。实验证明，TPRNN在七个真实世界数据集上取得了领先水平，相对最佳基准线平均提高了8.13%的MSE精度。

本文研究了Winner Take All（WTA）回路在整合分布于不同WTA网络中的信息以及通过自上而下的过程改进WTA网络推理和学习性能方面的适用性，并确认其可根据关键的神经形态学原理实现低延迟和高能效的神经形态硬件。