Big Data 2026 9426 Сьюён Чун

Конференция по большим данным 2026 04.09.2026 Докладчик: Сью Ён Чонг, Гарвард/Институт Флэтайрон Название: Вычисления с использованием нейронных многообразий: многомасштабная структура для понимания биологических и искусственных нейронных сетей Аннотация: Недавние прорывы в экспериментальной нейробиологии и машинном обучении открыли новые горизонты в понимании вычислительных принципов, управляющих нейронными цепями и искусственными нейронными сетями (ИНС). Как биологические, так и искусственные системы демонстрируют поразительную степень согласованной обработки информации в различных масштабах — от микроскопических ответов отдельных нейронов до возникающих макроскопических явлений познания и функций выполнения задач. На мезоскопическом уровне структуры активности нейронных популяций проявляются в виде нейронных представлений. Нейронные вычисления можно рассматривать как серию преобразований этих представлений через различные этапы обработки в мозге. Основное направление исследований моей лаборатории — разработка теорий нейронных представлений, описывающих принципы нейронного кодирования и, что важно, отражающих сложную структуру реальных данных как из биологических, так и из искусственных систем. В этом докладе я представлю три взаимосвязанных подхода, использующих методы статистической физики, машинного обучения и геометрии для изучения многомасштабной природы нейронных вычислений. Во-первых, я представлю новые теории, основанные на статистической физике и выпуклой геометрии, которые связывают сложные геометрические структуры, возникающие из нейронных ответов (т. е. нейронные многообразия), с эффективностью нейронных представлений при выполнении задачи. Во-вторых, я использую эти теории для анализа того, как эти представления эволюционируют в разных масштабах, формируясь свойствами отдельных нейронов, динамикой обучения и преобразованиями в различных областях мозга. Наконец, я покажу, как эти идеи расширяют принципы эффективного кодирования за пределы ранних сенсорных стадий, связывая репрезентативную геометрию с эффективной реализацией задач. Эта структура не только помогает интерпретировать и сравнивать модели данных мозга, но и предлагает принципиальный подход к проектированию моделей ИНС для высокоуровневого зрения. Этот подход открывает новые возможности для использования принципов, заимствованных из нейронауки, в целях разработки интеллектуальных систем.