一种经顺序功能化光活性无细胞胶原的长效引导骨再生膜
摘要：具有惯性神经元的深度学习：研究理解和修复 Notes NeuroIdeas分为三个主要部分：观察、解决方案和修复。 1. 观察者：借助对此类似期刊的记忆以及先前阅读的论文神经科学，深度学习和混沌和复杂性的机制之间的联系，我们分析了我们从外部监视脑干组织中的神经系统中获得的兴趣信号（振荡电位好的细胞或大量细胞在特定的频带内同步振荡）的系统偶然发现的特定特征（网络模型被训练去获得具有同样特征的输入的机能）。 2. 解决方案：学习到的特征被解释为具有记忆和权值的人工神经元的网络的组织。用这种方式，该网络可以学习从特定频带中同步振荡的细胞群输入的兴趣地图，并且在确保输入时间和场所中的解码正确的情况下适应此输入。该网络模型的架构由三个层组成：感兴趣的兴奋性细胞网络（感兴趣的细胞群的输出与区域特异性同步振荡的频带的SSVEP EEG模式最佳匹配），抑制性细胞网络（抑制异物输入）修复中的路径）和突触增强网络（学习适应这种反馈和反馈兴奋学习）。 3. 修复-当系统周围的神经元系统损坏时，深度学习经过训练的网络模型可以通过搜索整个系统的备份连接，并在损坏导致功能下降之前通过增强工程途径重新分配权重来实现自我损伤的修复。 尽管我们的论文涵盖了我们在脑干结构中观察到的很多特征的解释，但是还有很多特征和发现需要深入研究。不过，我们希望我们的工作能够总结尽量完整地提供深度学习神经网络策略和分钟级合理自我修复机制之间的联系，这是所有三个神经元之间最低限度的相关性。
作者：He Liang, Jie Yin, Kenny Man, Xuebin B. Yang, Elena Calciolari, Nikolaos Donos, Stephen J. Russell, David J. Wood, Giuseppe Tronci
论文ID：2112.08040
分类：Tissues and Organs
分类简称：q-bio.TO
提交时间：2021-12-16