MARC

 008260126s2025        us                              c    eng  d
■001000017360721
■00520260202105610
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265427045
■035    ▼a(MiAaPQ)AAI32316391
■035    ▼a(MiAaPQ)Stanfordff551mr4474
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aChen,  Feng.
■24510▼aUnderstanding  Dynamics  in  Intelligent  Systems:  Control  and  Learning  in  Neural  Circuits  and  Artificial  Neural  Networks
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a263  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Druckmann,  Shaul;Ganguli,  Surya.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aIntelligent  systems,  both  neural  circuits  and  artificial  neural  networks,  rely  on  dynamical  processes  to  enable  computation,  flexible  adaptation  and  efficient  learning.  This  dissertation  explores  these  dynamical  phenomena,  revealing  mechanisms  that  may  subserve  intelligence.  In  the  first  part,  I  will  discuss  neural  dynamics  recorded  from  biological  experiments.  A  key  subject  of  modern  neuroscience  is  the  adaptive  control  of  behavior.  Here,  by  analyzing  and  modeling  neural  dynamics  in  the  orofacial  motor  cortex  in  Alston's  singing  mouse,  we  reveal  a  hierarchical  mechanism  of  vocal  production  enabled  by  temporal  scaling  of  the  motor  cortical  dynamics.  In  complementary  work  on  visual  processing  in  Drosophila,  we  identify  a  recurrent  neural  circuit  that  dynamically  sharpens  temporal  contrasts  in  visual  inputs.  Our  modeling  describes  how  recurrent  dynamics  can  compensate  for  motion-induced  blur,  suggesting  dynamic  adaptation  as  an  effective  neural  strategy  for  sensory  enhancement.  The  second  part  examines  iterative  pruning  in  artificial  neural  networks  through  the  lens  of  dynamics  in  the  error  landscape.  We  show  that  successive  pruned  networks  remain  connected  by  a  linear  path  without  error  barriers,  and  that  the  subsequent  retraining  process  can  be  interpreted  as  a  form  of  thermalization  that  reshapes  the  weight  distribution.  The  third  part  focuses  on  learning  dynamics  in  artificial  neural  networks.  We  show  that  stochastic  noise  during  training  implicitly  regularizes  the  learning  trajectory  towards  simpler  subnetworks,  effectively  reducing  the  model  complexity  and  enhancing  generalization.  Additionally,  we  analyze  how  training  dynamics  impact  performance  in  large  language  models.  We  find  that  conventional  fine-tuning  objective  induces  overconfidence,  thereby  limiting  performance  improvements  when  scaling  test-time  compute.  We  propose  an  alternative  training  method  that  aligns  the  training  objective  with  the  test-time  strategy,  achieving  improved  reasoning  abilities.  In  summary,  these  studies  highlight  approaches  to  understand  different  critical  roles  of  dynamics  in  intelligent  systems  and  demonstrate  how  explaining  the  underlying  mechanisms  of  dynamical  processes  can  help  advance  our  understanding  of  intelligence.
■590    ▼aSchool  code:  0212.
■650  4▼aAdaptation
■650  4▼aInsects
■650  4▼aSecondary  schools
■650  4▼aIntelligent  systems
■650  4▼aTeachers
■650  4▼aNeural  networks
■690    ▼a0800
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360721▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서