MARC

 008260126s2025        us                              c    eng  d
■001000017357970
■00520260202103625
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315777496
■035    ▼a(MiAaPQ)AAI32046146
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aXu,  Dehong.
■24510▼aLatent  Space  Modeling  for  Brain  Mechanisms,  Language  and  Decision-Making
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a213  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Wu,  Ying  Nian.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aThis  thesis  explores  the  theoretical  foundations  and  applications  of  latent  space  modeling  across  three  interconnected  domains:  brain  mechanisms,  language  processing,  and  decision-making.  The  central  proposition  is  that  latent  space  representations-abstract  encodings  that  capture  underlying  structure  in  complex  data-offer  a  unified  computational  framework  for  understanding  both  biological  and  artificial  intelligence.The  first  part  of  this  work  investigates  spatial  cognition  in  the  brain,  reconceptualizing  hippocampal  place  cells  as  collective  position  embeddings  that  encode  multi-scale  transition  probabilities  through  inner  products.  This  novel  perspective  reveals  how  the  brain  might  efficiently  represent  navigational  information,  with  latent  vectors  approximating  symmetric  random  walk  transition  kernels.  Through  mathematical  analysis  and  computational  modeling,  I  demonstrate  that  hexagonal  grid  patterns  emerge  naturally  as  the  optimal  solution  for  maximally  distance-preserving  embeddings.  These  models  successfully  reproduce  key  neurobiological  phenomena,  including  scale  hierarchies  along  the  dorsoventral  axis,  place  field  remapping,  and  preplay-like  shortcut  discovery.Building  on  these  neurally-inspired  principles,  I  then  develop  two  innovative  frameworks  for  artificial  intelligence.  The  Latent  Thought  Language  Model  (LTM)  incorporates  explicit  latent  thought  vectors  that  guide  autoregressive  token  generation,  creating  a  structured  design  space  with  additional  scaling  dimensions  beyond  traditional  language  models.  This  approach  demonstrates  superior  sample  and  parameter  efficiency  while  exhibiting  emergent  in-context  reasoning  capabilities.  The  Latent  Plan  Transformer  (LPT)  extends  these  concepts  to  sequential  decision-making,  employing  a  latent  variable  to  connect  trajectory  generation  with  expected  returns,  enabling  planning  as  latent  space  inference  without  reliance  on  step-wise  rewards.Across  these  diverse  applications,  common  computational  principles  emerge:  the  importance  of  multi-scale  representations,  the  efficiency  of  latent  abstractions  for  capturing  complex  relationships,  and  the  power  of  posterior  inference  for  integrating  contextual  information.  This  thesis  demonstrates  that  latent  space  modeling  provides  a  compelling  bridge  between  biological  and  digital  intelligence,  offering  insights  into  both  how  the  brain  computes  and  how  we  might  build  more  capable  artificial  systems  that  emulate  aspects  of  human  cognition.
■590    ▼aSchool  code:  0031.
■650  4▼aStatistics
■650  4▼aNeurosciences
■650  4▼aInformation  technology
■653    ▼aLatent  space  modeling
■653    ▼aBrain  mechanisms
■653    ▼aDecision-making
■653    ▼aLatent  Thought  Language  Model
■653    ▼aLatent  Plan  Transformer
■690    ▼a0463
■690    ▼a0489
■690    ▼a0800
■690    ▼a0317
■71020▼aUniversity  of  California,  Los  Angeles▼bStatistics  0891.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357970▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books