MARC

 008250123s2024        us                              c    eng  d
■001000017162311
■00520250211151957
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383201374
■035    ▼a(MiAaPQ)AAI31329305
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aCheng,  Huzi.
■24510▼aExploring  Biologically-Inspired  Models  for  Multifaceted  Learning  in  the  Brain
■260    ▼a[Sl]▼bIndiana  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a122  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Brown,  Joshua  W.
■5021  ▼aThesis  (Ph.D.)--Indiana  University,  2024.
■520    ▼aUnraveling  the  computational  foundations  of  learning  is  one  of  the  paramount  quests  in  neuroscience.  This  thesis  employs  a  computational  approach  to  investigate  this  question  through  three  distinct  projects,  spanning  from  single-cell  level  to  cross-brain-region  mechanisms.  The  first  project  proposes  a  viable  alternative  theory  to  Feedback  Alignment  (Lillicrap  et  al.,  2014),  a  mechanism  suggested  as  a  replacement  for  backpropagation  (Rumelhart  et  al.,  1986)  in  the  biological  brain  for  learning  across  different  layers  of  neurons.  We  explore  the  validity  of  this  theory  and  investigate  novel  solutions  derived  from  it,  in  addition  to  Feedback  Alignment.  The  second  project  develops  a  model,  R2N2,  for  sequence  learning  in  recurrent  neural  networks.  The  model  has  stronger  performance  when  compared  with  other  biologically  plausible  sequence  learning  algorithms  in  benchmark  tests  and  shows  potential  in  modeling  animal  behaviors  in  a  T-maze  navigation  task.  While  partly  building  on  the  results  of  the  first  project,  the  main  aim  here  is  to  understand  how  the  brain  processes  temporal  sequences.The  final  project  extends  to  the  systemic  level,  devising  a  model,  deepGOLSA,  for  goal-directed  learning  that  utilizes  neural  representations  and  corresponding  subgoal  decompositions.  The  resulting  solution  is  versatile  and  can  be  applied  to  tasks  of  arbitrary  complexity.  When  integrated  with  reinforcement  learning  algorithms,  it  accelerates  their  performance  in  various  discrete  and  continuous  space  tasks.  When  applied  in  isolation,  it  outperforms  all  benchmark  algorithms  in  certain  tasks.  Furthermore,  we  used  this  model  to  simulate  and  analyze  human  behavior  and  brain  data  in  a  treasure  hunting  cognitive  task.  The  findings  offer  new  insights  into  the  role  of  several  brain  regions  like  vmPFC  in  goal-directed  behaviors.
■590    ▼aSchool  code:  0093.
■650  4▼aCognitive  psychology
■650  4▼aNeurosciences
■650  4▼aSystematic  biology
■653    ▼aBrain
■653    ▼aFeedback  alignment  algorithm
■653    ▼aInformation  augmentation
■653    ▼aPlausible  learning  algorithms
■653    ▼aHuman  brain  activity
■690    ▼a0633
■690    ▼a0317
■690    ▼a0800
■690    ▼a0423
■71020▼aIndiana  University▼bPsychological  &  Brain  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0093
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162311▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books