MARC

 008260126s2025        us                              c    eng  d
■001000017358779
■00520260202104750
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290657219
■035    ▼a(MiAaPQ)AAI32151333
■035    ▼a(MiAaPQ)Caltech17258
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aVafeidis,  Panteleimon.
■24510▼aNeural  Network  Models  of  Learning  and  Generalization
■260    ▼a[Sl]▼bCalifornia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a250  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Rangel,  Antonio.
■5021  ▼aThesis  (Ph.D.)--California  Institute  of  Technology,  2025.
■520    ▼aNeural  networks  have  emerged  as  powerful  models  for  understanding  both  biological  and  artificial  intelligence,  yet  significant  questions  remain  about  how  these  systems  develop  rich,  generalizable  representations  of  the  world.  This  thesis  investigates  fundamental  principles  of  learning  and  generalization  across  four  interconnected  domains,  bridging  insights  from  theoretical  neuroscience  and  artificial  intelligence  to  advance  our  understanding  of  intelligent  systems.In  Chapter  I,  we  address  a  central  question  in  associative  learning:  how  do  neural  circuits  learn  to  associate  concepts  with  one  another?  We  propose  a  recurrent  neural  network  model  incorporating  two  critical  features  of  cortical  architecture-mixed  selectivity  and  compartmentalized  neurons.  These  architectural  inductive  biases  enable  a  biologically  plausible  learning  rule  that  achieves  stimulus  substitution,  where  neurons  respond  identically  to  a  conditioned  stimulus  as  they  would  to  the  associated  unconditioned  stimulus.  Our  model  explains  a  remarkable  range  of  conditioning  phenomena  under  conditions  in  which  traditional  associative  models  fail,  highlighting  how  the  cortical  architecture  may  confer  significant  evolutionary  advantages  for  flexible  learning.Chapter  II  pivots  from  the  static  mappings  between  concepts  learned  in  Chapter  I  to  explore  how  neural  systems  develop  the  precise  synaptic  connectivity  required  to  establish  dynamic  mappings  for  path  integration-the  ability  to  maintain  an  internal  sense  of  direction  without  external  cues.  We  demonstrate  that  the  same  principles  of  compartmentalized  learning  can  shape  networks  that  accurately  track  angular  position  in  darkness.  Applied  to  the  Drosophilahead  direction  system,  our  model  develops  connectivity  patterns  strikingly  similar  to  those  observed  experimentally,  with  continuous  attractor  (CAN)  dynamics  emerging  naturally  from  learning.  This  offers  a  novel  perspective  on  how  precisely  calibrated  neural  circuits  can  develop  through  experience,  rather  than  requiring  genetic  pre-specification,  and  explains  experimental  findings  where  animals  adapt  their  internal  representation  when  sensory  experience  changes.In  Chapter  III,  we  establish  a  theoretical  framework  explaining  how  disentangled  representations-internal  models  that  isolate  independent  factors  of  variation  in  the  world-emerge  from  multi-task  learning.  We  prove  that  any  system  competent  at  multiple  related  tasks  must  implicitly  represent  the  underlying  latent  variables  in  a    linearly  decodable  form  when  sufficient  tasks  are  learned.  These  theoretical  guarantees  align  with  experimental  results  showing  neural  networks  develop  generalizable  representations  when  trained  on  multiple  tasks  simultaneously.  This  work  reveals  a  fundamental  connection  between  task  diversity  and  representation  quality,  with  implications  for  biological  cognition  and  artificial  intelligence  design,  particularly  explaining  why  modern  transformer  models  may  develop  human-interpretable  concepts,  and  how  brains  may  acquire  their  impressive  zero-shot  generalization  ability.Chapter  IV  proposes  leveraging  Large  Language  Models  as  cognitive  tools  for  evaluating  latent  factor  hypotheses  for  psychology,  leveraging  the  theoretical  insights  from  Chapter  III.  It  suggests  that  the  self-consistency  of  an  LLM's  responses  given  hypothesized  psychological  factors  could  serve  as  a  metric  for  hypothesis  evaluation.  While  preliminary,  this  approach  represents  a  novel  computational  methodology  for  psychology  that  could  transform  how  hypotheses  for  human  cognition  are  developed  and  refined.All  chapters  are  supported  by  corresponding  Appendices  that  go  deeper  in  particular  details,  including  proofs.  An  exemption  is  Chapter  IV,  which  is  work  early  in  development  (yet  valuable  to  mention).  Instead,  for  Appendix  D  we  provide  some  considerations  about  the  detection  of  Continuous  Attractors  (CANs),  which  display  prominently  in  Chapters  II  and  III,  consideration  particularly  important  in  order  to  avoid  confusion  when  it  comes  to  these  concepts,  particularly  within  the  experimental  neuroscience  community.Together,  these  investigations  reveal  complementary  aspects  of  how  intelligent  systems  develop  useful  representations  through  learning.  From  biologically  plausible  learning  rules  to  abstract  computational  principles,  this  thesis  demonstrates  how  neural  networks  can  illuminate  fundamental  mechanisms  of  intelligence  across  natural  and  artificial  systems,  advancing  our  understanding  of  the  computational  foundations  that  enable  flexible,  generalizable  learning.
■590    ▼aSchool  code:  0037.
■650  4▼aSparsity
■650  4▼aNeurosciences
■650  4▼aNeural  networks
■690    ▼a0800
■690    ▼a0317
■71020▼aCalifornia  Institute  of  Technology▼bBiology  and  Biological  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0037
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358779▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서