【论文笔记】Cracking the neuronal code of episodic memory

【论文笔记】EmotionAI书籍目录:可控人工智能人格—从情绪表征到持续演化的 Agent 我开始写书啦!这是书籍目录^V^ 阅读详情

文献属性

  • J:Science
  • 发表时间:2023
  • IF:56.9

报告重点

Episodic Memory (情景记忆)

  • 概念:是将事件的记忆与其空间与时间背景相关联的能力
  • 内在能力:利用过去的经验来预测未来(例:当在熟悉的迷宫中寻找食物奖励时,啮齿动物可以根据过去试验的记忆预测即将到来的奖励位置。)
  • hippocampus, and the location-locked activity of hippocampal principle neurons (place cells), is critical for the associative and predictive aspects of episodic memory. (ref in 3, 4)海马体和海马区主要神经元(位置细胞)的位置锁定活动对情景记忆的联想和预测方面至关重要。然而,这两种不同的功能是否由共同的或可分离的神经元代码支持仍然不清楚。
  • Liu等人(5)报告道,大鼠的hippocampal associative和predictive codes由相互关联但又截然不同的回路机制(circuit mechanisms)支持,这表明Episodic memory额能在大脑中是分层组织(hierarchically organized)的。

Location-specific activity (位置特异性活动)

  • 通常在小鼠和大鼠中观察到的hippocampal place cells是一类表现出’location-specific activity’的神经元。
  • LSA编码了空间位置与环境地标 and/or 边界之间的关系 (encodes relationships between a spatial location and environmental landmarks and/or boundaries)
  • Place cells that are active in the same spatial location are said to belong to the same cell assembly
    在相同空间位置中处于活动状态的place cells被认为属于the same cell assembly
  • 因此,由cell assemblies (细胞集合体)表达的LSA可以代表联想记忆的neuronal substrate (神经元衬底)

Place cells与θ-sequence *

  • Place cells也表达一种序列编码:嵌套在θ带振荡(啮齿动物运动过程中在海马体观察到的神经元活动的振荡)内的是多个细胞集合体(cell assemblies),它们按顺序激活(fire in sequence)并编码relationships between sequentially visited places (theta sequences).
  • 值得注意的是,在θ序列中,细胞集合体表示的空间表征先于动物进行的活动。换句话说,θ序列提供了即将到来的空间位置的预测。
    image.png
  • 这些假定的associative (assembly) and predictive (sequence) hippocampal codes在sharp-wave ripple (SWR) oscillations期间重放(replay)。这些振荡在睡眠或休息期间观察到,从而使其能够长期存储(long-term storagy)。
  • 尽管这些海马体编码方案已经被广泛研究,但它们对episodic memory特定方面的贡献尚未得到证实。
    为了解决这一知识gap,刘等人使用光遗传学方法来控制大鼠内侧内嗅皮层(median entorhinal cortex, MEC)中表达γ-aminobutyric acid (GABA)(g-氨基丁酸)的神经元活性。这些神经元为海马体提供主要输入,并控制与θ带振荡相关的主要海马体细胞的活动时间。
  • 通过将表达GABA的细胞引入人工频率,作者可消除θ序列,同时保留海马体细胞集合体的表达。
  • 破坏海马体的MEC输入也会导致θ序列重放的选择性破坏,而细胞集合体的重放不受影响。因此作者能够破坏海马体的假定预测编码,同时保持联想编码不变。

评估上述干扰如何影响依赖于不同情景记忆过程的两种范式的学习(Liu et al.)

  • 在一种范式中,大鼠学会将圆形平台的一半与奖励(条件位置偏好(CPP))联系起来。
    该任务是对联想记忆(associative memory)的测试,因为它要求动物学习特定区域和奖励之间的关联。
  • 在另一种范式中,动物学会按顺序导航到平台上的三个奖励位置。
    该任务可能还需要预测能力,因为最佳导航的顺序需要老鼠了解不同位置之间的联系——即预测下一项奖励的位置。作者发现,破坏假定的预测编码不会损害CPP任务中的学习。
  • 空间导航任务的表现受到严重影响,这表明associative code足以用于CPP学习,但不足以用于空间导航学习。说明稳定的place cell predictive code by replay sequences可能需要至少在某些方面的情景记忆功能。
  • image.png
  • 多项研究表明,破坏SWRs和细胞集合体重放会干扰学习。然而sequence replay支持记忆方面的直接证据一直缺乏。
  • 预测编码对于其他episodic memory可能是可有可无的。
  • Liu等人发现老鼠可以在没有θ和replay sequences的情况下形成长期联想记忆。这表明cell assemblies的表达及其随后在休息期间的重新激活可能足以完成episodic memory的核心组成过程。

Liu et al.'s finding

  • 这些发现对于理解影响episodic memory的神经退行性和神经发育障碍(包括阿尔兹海默症和自闭症谱系障碍)具有重要意义。
  • 联想记忆与预测能力可能受到可分离神经元编码的支持,这可能意味着episodic memory的这些特定方面在这些疾病中受到不同的影响。和/或在进行性疾病(例如阿尔兹海默症)的不同阶段受到影响。

关于假定的海马体预测编码是否适用于利用预测能力的其他任务问题(Liu et al.)

  • 一种解释:由于其顺序性质,空间导航任务需要predictive code(通过sequential hippocampal activity(顺序海马体活动)表达)。也许未来的研究可以评估海马体预测编码是否也参与更通用的预测学习。(例如在熟悉的环境中引入障碍时,它是否有助于导航)

对于研究“预测编码”的看法

  • 预测编码在推理中的作用是一个重要的研究途径。
  • Liu等人指出,利用时空信息进行推理的能力是预测能力的核心。例如动物在与熟悉的环境相似的前所未见的新环境中寻找rewards时,所描述的hippocampal predictive code是否可以指导学习?
  • 认识支持推理(inference)的神经元编码方案是一个令人兴奋的研究前沿。

补充

theta-band oscillations (θ波振荡)

image.png

SWR oscillations (尖波波纹振荡)

image.png

产业园区如何高效对接企业技术需求与高校科研成果?.docx 科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。 立即下载

相关推荐

国央企创新负责人如何快速掌握本地科技资源分布与匹配情况?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

论文笔记:一次前向就出整块动作:DriftingVLA 拆解

DriftingVLA提出一种无需迭代的单步视觉-语言-动作生成范式,通过在训练中引入基于动作维度的漂移场(PDTD),将分布修正内化为模型参数。其核心是重初始化动作接口,直接预测动作块而非速度,并利用多兄弟样本间的吸引与排斥构建无蒸馏、无积分的分布匹配目标。实验表明,该方法在保持高精度的同时实现一次前向推理,显著优于现有一步生成方案,且部署时仅需1次前向计算,真正实现“一次前向出整块动作”。

踏雪亦无痕的博客 378

从理论到实践:基于Zemax的高分辨率生物显微镜光学系统仿真与优化指南

本文详细介绍了基于Zemax的高分辨率生物显微镜光学系统仿真与优化全流程。从阿贝分辨率公式、柯勒照明等理论基础出发,逐步讲解Zemax建模、像差优化、制造可行性分析等核心步骤,并提供常见问题解决方案。通过实际案例展示如何将理论设计转化为可制造的优化方案,帮助工程师掌握从仿真到实际应用的关键技术。

weixin_29229989的博客 482

【论文阅读】Agent 记忆机制(127):Think or Remember——Agent“重新思考”与“保留记忆”的成本汇率

本文提出“思考与记忆的架构汇率” $P^* = c/\beta$,揭示上下文策略成本不仅取决于Token数量,更受模型架构与缓存规则影响。删除历史虽减少输入长度,但可能破坏前缀缓存、引发重复推理,导致实际成本上升。论文区分“机械成本”与“行为改变成本”,证明同一策略在不同系统下成本排序可反转。核心结论:记忆保留与否的性价比,由架构、缓存机制与任务轨迹共同决定,而非单纯比较文本长度。

weixin_45642847的博客 271

Simulink单相桥式有源逆变电路仿真:从器件选型到波形分析(MATLAB 2018a实战)

本文基于MATLAB 2018a的Simulink平台,详细演示了单相桥式有源逆变电路的完整仿真流程。从Simscape/Power Systems库的器件选型、参数配置,到触发脉冲设置与电路连接,逐步指导搭建仿真模型。通过调整触发角α,直观展示了电路从整流到有源逆变的工作状态切换,并深入分析了负载电压、电流波形,以及逆变颠覆现象的产生条件与特征。

cake8的博客 1160

车辆TBOX科普 第69次 TBOX行业发展趋势与就业前景深度解析

TBOX技术革新驱动汽车智能化发展 Telematics BOX(TBOX)正快速从车辆状态监控器进化为整车智能核心,市场年增速超25%,2025年规模将达150亿美元。技术呈现四大革新方向:5G与V2X集成实现多模通信网关,支持10-20Gbps高速传输;多模GNSS融合定位精度达厘米级,北斗系统提供独特优势;边缘计算架构使TBOX具备本地AI处理能力,减少95%数据上传;硬件安全模块(HSM)成为标配,满足EVITA标准的安全需求。这些技术突破正重塑TBOX架构,使其从单纯通信管道升级为智能网联汽车的关

IT深耕十余载,大道之简 1828

【论文阅读】Agent 记忆机制(124):The Memory Trap——良性交互如何让长期记忆越过作用域边界

《The Memory Trap》揭示:即使记忆内容真实且无恶意,Agent仍可能因过度泛化局部经验导致安全风险。论文首次系统定义“记忆作用域越界”为Memory Trap,通过三类实验证明,记忆在写入或读取阶段均可能引发自治、偏见与作弊行为。研究强调,仅保证记忆真实性不足,还需明确其适用边界。

weixin_45642847的博客 402

生信人填坑记 orthofinder的安装和基础使用

其中常用的有两个结果,第一个是Orthogroups文件夹下的Orthogroups.GeneCount.tsv,这个文件里保存着每个家族在每个物种里的成员数量。(写到这儿饭点到了,吃饭要紧…在国内使用conda的同学我相信很多人都会遇到-|- -|- -|- -|- -|- -|- -|- -|- 一直转圈。软件的是由很简单,将你要跑的物种的蛋白质文件放在work/data目录下,文件名都用物种缩写,后缀统一就行。当然,很多软件都会自带一个这样的文件,conda装不了的时候可以去软件官网溜达溜达。

qq_43337286的博客 5382

论文阅读-cavast

论文简单介绍标题:Put an Elephant into a Fridge: Optimizing Cache Efficiency for In-memory Key-value Stores发表在数据库领域的顶级刊物(简称2020年发表。

2301_79035389的博客 227

IMX335摄像头原理图设计,已量产

从工程组织上看,IMX335 模组和 IMX415 模组属于同一类产品:核心矛盾不是外设多,而是高速图像链路、电源域和调试接口要同时兼顾。ATK-MCIMX335 这张图的结构也很直接,三路 LDO、本地 24MHz 可选时钟、4-lane MIPI 数据对和一组主板侧标准接口,构成了一张非常典型的量产摄像头子板。

不脱发的程序猿 440

【DeepSeek应用实践】手把手教程:用 AnythingLLM + Ollama + DeepSeek-R1 搭建本地企业知识库

在众多的技术方案中,我们选择了 AnythingLLM、Ollama 和 DeepSeek-R1 这一组合来搭建本地知识库。Ollama 作为一个轻量级的本地化大语言模型部署工具,支持多种模型,易于安装和使用,能够快速在本地运行强大的语言模型。DeepSeek-R1 是一个专为知识库问答设计的检索增强生成(RAG)模型,它结合了检索和生成的优势,能够快速从知识库中检索相关信息并生成精准答案。而 AnythingLLM 则是一个用户友好的界面工具,可以方便地连接 Ollama 和 DeepSeek-R1

寻道AI,探索AI无限可能! 2569

【论文阅读】-- 保护基于LLM的多智能体系统免受协同攻击+句子级纠正

本文提出自适应协同攻击框架,揭示恶意智能体通过多轮交互、动态协调可显著提升攻击破坏力。针对此威胁,提出无训练的STAR防御框架,在句子粒度实现误导信息识别与修正,有效抵御独立与协同攻击,平均提升任务成功率36.76%。实验验证其高效性与可解释性,代码已开源。

我是个好人呀,O(∩_∩)O 231

【软考高项】【计算专题】- 3 - 进度类 - 双代号网络图

共需压缩 20 天。在双代号网络图中,工作一般使用箭线表示,任意一条箭线都需要占用时间、消耗资源,工作名称写在箭线的上方,而消耗的时间则写在箭线的下方或者工作后面。反映的是前后工作的交接点,节点中的编号可以任意编写,但应保证后续工作的节点比前面节点的编号大,即上图图中的1⃣️4⃣️ 即表示 B 活动和 D 活动间有依赖关系,D 活动的开始,依赖 B 活动的结束。B活动完成了一半, 各计划的实际支出为A活动6500元, B活动1000元, C活动280元, D。

欢迎来到我的博客,一起探索代码里的世界! 4561

论文阅读笔记:GPT-6-Astra Lights Up Embodied Navigation

本文研究通用基础模型 GPT-6-Astra 能否利用自身的感知、推理与决策能力在陌生环境中导航,聚焦连续环境中的零样本视觉-语言导航(VLN-CE),在 Codex 评估框架中通过极简接口进行。GPT-6-Astra 仅凭单目 RGB 观测就实现了强劲的零样本导航性能。在 R2R-CE-100 上,GPT-6-Astra(超强推理)取得 81.3% 的成功率,分别比已报告的最强零样本成功率和最强基于训练的成功率高出 15.3 和 9.2 个百分点。

DUTBenjamin的博客 380

某音私信接口二进制解析

本文探讨了某音私信接口的二进制请求处理过程,重点分析了请求体中的非文本字符和混合编码结构。文章详细描述了编码过程,包括使用Protocol Buffers的序列化方法将结构化数据转换为字节流,并通过Uint8Array包装成二进制数组。作者展示了如何提取和补全s.encode方法,并将其转化为Base64字符串以便在Python中解码执行

码王吴彦祖的博客 901

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【论文阅读】Agent 记忆机制(121):StateGraph——事实变了,依赖它的计划为何还在继续执行?

StateGraph 提出一种依赖感知的状态修订机制,解决 Agent 记忆中“局部变化引发全局失效”的问题。传统系统仅更新直接冲突项,而忽略下游状态的隐式依赖。StateGraph 通过反事实验证从交互历史中恢复支持关系,仅在前提失效且无独立支持时才传播变更,实现选择性撤销。该方法在保持长期一致性的同时避免过度清理,推动 Agent Memory 从“能否记住”迈向“是否仍可信”的深层认知。

weixin_45642847的博客 311

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

论文阅读-vLLM

普通的请求是“一问一答”。并行采样(Parallel Sampling):给定一个 Prompt,模型一次性生成多个完全不同的候选回答(比如生成 5 个故事开头供你挑选)。束搜索(Beam Search):在生成每一步时,保留当前得分最高的几个候选序列,向下探索。在这两种场景下,同一个用户请求,在系统里会分裂成多个并行的序列。如果生成 4 个候选回答,系统里就有 4 条独立的序列在同时跑。

2301_79035389的博客 255

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

从论文阅读到实验复现:以 EvoGO 为例,构建可复用的科研实验 SOP

一次进化计算论文的复现实践与科研方法总结!

一起理解技术趋势,沉淀长期价值 244

【论文阅读】Agent 记忆机制(126):ENGRAM——只有权重真正学会后,外部经验才能退出检索

ENGRAM 提出一种可验证的经验迁移协议,将“经验是否参与训练”与“是否可退出检索”解耦。通过双门控机制:Gate 1 基于学生掌握度与教师示范数量决定训练准入,允许低能力技能借助高质量示范学习;Gate 2 在隔离探针中逐技能验证新权重能否替代外部记忆,仅当能力完全迁移时才释放记录。该方法解决了传统路径中“训练即删除”的风险,实现安全、可控的记忆固化,推动 Agent 从依赖外部记忆向参数内化演进。

weixin_45642847的博客 356

【论文阅读】Agent 记忆机制(122):MDSKILL——如何把外部 Skill Memory 真正内化为 Agent 自身能力

MDSKILL提出一种多视角自蒸馏框架,将外部技能记忆按状态判断、规划与执行控制三类功能解耦,基于同一状态下任务成败动态决定蒸馏方向。通过引入可靠性与优势评估机制,仅对有效且互补的经验进行正向、反向或跨视角知识传递,避免错误技能污染策略参数。该方法实现技能的可靠内化,推动Agent从依赖外部记忆向自主进化转变,显著提升策略鲁棒性与学习效率。

weixin_45642847的博客 267

【论文阅读笔记】Score Centering 如何稳定存在训练-推理不匹配的强化学习

大语言模型强化学习里,负责生成 rollout 的 sampler 和负责计算梯度的 trainer 往往不是完全同一个数值系统,二者之间存在训练-推理不匹配(training-inference mismatch,TIM)

iiiiii11的博客 485

【论文笔记】LongVideo-R1:从“被动理解”到“主动导航”的低成本长视频理解

LongVideo-R1提出一种高效长视频理解框架,通过主动导航与推理实现低计算成本下的精准问答。其核心是基于Qwen3-8B的多模态智能体,结合层次化视频树结构与工具调用(video_cap()/video_qa()),以问题驱动方式动态选择关键片段。采用SFT+GRPO两阶段训练,利用带时间定位标注的数据优化导航策略,显著提升准确率与效率的平衡。

蓝海星梦的博客 342

论文阅读-Prefetchw

这篇论文发表于,作者是来自匹兹堡大学的 Yanan Guo、Andrew Zigerelli、Youtao Zhang 和 Jun Yang。

2301_79035389的博客 186

【论文阅读笔记】Context Language Models:让语言模型把自己的上下文当成文件来管理

Context Language Models:标准语言模型只能把新生成的 token 追加到上下文末尾;CLM 则把“当前上下文”本身交给模型管理,模型可以追加、删除、重写、压缩、卸载上下文,甚至定义可复用的上下文管理函数。 实现上,论文把模型的实时上下文映射成一个可编辑文件,模型通过 Bash 等通用工具直接编辑这个文件,编辑结果立即同步为下一轮模型调用看到的上下文。

iiiiii11的博客 342

【论文阅读】Agent 记忆机制(125):MEMOIR——使用后回写重要性,压缩前验证证据是否保留

MEMOIR提出一种无需训练的记忆生命周期管理机制,核心在于“使用后归因”与“压缩前验证”。它突破传统写入时确定重要性的局限,通过回答后的实际使用效果动态更新记忆价值,并在合并前严格验证证据完整性,防止未来查询因信息丢失而失效。该方法以统计方式实现信用保留,兼顾检索效率与长期可靠性,为长周期Agent记忆系统提供了一种低成本、可审计的闭环解决方案。

weixin_45642847的博客 340

【论文阅读】Agent 记忆机制(123):SUMONE——用轨迹重构训练可插拔的独立记忆压缩器

SUMONE提出一种无需依赖下游任务或参考摘要的自监督训练方法,通过“摘要能否恢复被遮盖的历史”作为奖励信号,训练通用、可插拔的上下文压缩器。该方法将过期历史压缩为高信息密度记忆,显著降低推理成本(降幅75%-78%),同时保持跨任务、跨模型复用能力。相比传统方案,它解耦了记忆管理与求解逻辑,避免任务耦合,实现低成本、高效、通用的长周期Agent记忆管理。

weixin_45642847的博客 428
上一篇: 液晶指向矢、透过率仿真matlab代码——《液晶光电子学》电子科技大学光电学院研究生课程
下一篇: 【笔记】Associative and predictive hippocampal codes support memory-guided behaviors (RESEARCH SUMMARY)
uestc_Venn
博客等级 码龄6年 445粉丝 59原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值