Professor Liang Peng von der School of Psychological University of the Capital Normal University und Professor Zhong Ning (ausländischer Akademiker der japanischen Akademie für Ingenieurwesen, Sonderprofessor der Capital Normal University), Peking University of Technology, Australien South Queensland University in der International Academic Journal „Advanced Science“ Advanced Science, Q1, if = „15.1) veröffentlichte ein Forschungsarbeit mit dem Titel“ Never-Eending „Lernen für erklärbares Brain Computing“.Diese Studie schlägt einen erklärenden Multi-Source-Big Data intelligenten Rechenrahmen für Multi-Source-Big Data vor. und vergewissern Sie sich, dass es auf die Inferenz -Gehirnforschung angewendet wird.
Die Studie kombiniert das interne Erkenntnis zur Analyse von Multi -Tasking -Funktionsbilddaten und das öffentlich veröffentlichte Erlernen externer Beweise für die Analyse der funktionalen Bildgebungsliteratur, die die intelligente Berechnung von Big -Data des Gehirns unterstützen soll, die erklärt werden können, verallgemeinert und robust.Der Kern besteht darin, wissensbetriebenes positives Denken und datengesteuerte umgekehrte Argumentation gemeinsam zu verwenden, um niemals zu lernen und vorgebliebene Sprachmodellierungstechnologie und Human-Machine Interaction Learning (Human-in-the-Loop) -Mechanismus zu integrieren, um eine systematische Analyse zu erreichen der kognitiven Funktionen mit hohem Gehirn mit hoher Ebene.Insbesondere lernt das Methode -Framework zunächst mehrdimensionale Designparameter verschiedener kognitiver Experimente sowie logische Regeln und Zuordnungen zwischen jedem Experiment.Integrieren Sie dann Multi -Source -Hirndatenressourcen nach den Regeln und kombinieren Sie die Berechnung der Zuordnung der Suchressourcen, um ungewöhnliche Parameterwerte τ zu erhalten und Parameterwert zu unterstützen, und schließen Sie dann die Gehirnstruktur und die kognitiven Funktionen mit Multi -Mapping -Beziehungen ab .Experimente zeigen, dass das Methodenrahmen dieser Methode die Integrationsberechnung und das ungewisses Argumentieren von Multi -Source -Multi -Tasking -funktionalen Bilddaten verwendet, die dazu beitragen, das Verständnis von kognitiven Funktionen auf hoher Ebene wie induktiver Argumentation weiter zu vertiefen.
Die Ergebnisse dieses Papiers tragen dazu bei, den komplizierten Informationsverarbeitungsmechanismus des menschlichen Gehirns zutiefst zu dekodieren und einen neuen Weg für systemisches Computer und eine mehrdimensionale Analyse für kognitive Neurowissenschaftsforschung im Gehirn zu eröffnen.Im Laufe der Zeit können Sie die neu gesammelten internen und externen, vielseitigen Beweise verwenden und das Paradigma niemals in Kombination einstellen, um die Kombination von Multi-Perspektiven-Persistenz-Argumentation zu erreichen, ist der Kern des Kids (Knowledge-Information-Data) Recycling Es wird erwartet, dass neue Technologien für Big Data intelligente Computertechnologien für Gehirnbig zur Verfügung gestellt werden, um die inhärenten Merkmale und Mechanismen der menschlichen Intelligenz weiter zu enthüllen.
Dieser Artikel ist die neuesten Forschungsergebnisse in der Forschungsgruppe von Liang Peipeng und dem Team von Academician Zhong Ning rund um die neue Cross -disziplinäre Serie von Gehirninformatik
Thesis Link: https://doi.org/10.1002/advs.202307647
(Quelle: School of Psychology; Autor: Liang Peipeng; Redakteur in Dienst: Wang Yijie, Yang Xiaofei, Wang Dan, Mei Lanzi)
Bericht/Feedback
