Buchumschlag

Impact of leaky dynamics on predictive path integration accuracy in recurrent neural networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Yanlin, Zhang, Yan, Zheng, Muhua, Xu, Kesheng
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Neural and Evolutionary Computing Biological Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Statistics of correlations in nonlinear recurrent neural networks
von: Mato, German, et al.
Veröffentlicht: (2025)

Learn to integrate parts for whole through correlated neural variability
von: Zhu, Zhichao, et al.
Veröffentlicht: (2024)

Toward stochastic neural computing
von: Qi, Yang, et al.
Veröffentlicht: (2023)

Modular connectivity in neural networks emerges from Poisson noise-motivated regularisation, and promotes robustness and compositional generalisation
von: Qian, Daoyuan, et al.
Veröffentlicht: (2025)

Learning optimal integration of spatial and temporal information in noisy chemotaxis
von: Alonso, Albert, et al.
Veröffentlicht: (2023)

DelRec: learning delays in recurrent spiking neural networks
von: Queant, Alexandre, et al.
Veröffentlicht: (2025)

Connectivity structure and dynamics of nonlinear recurrent neural networks
von: Clark, David G., et al.
Veröffentlicht: (2024)

Hierarchy of chaotic dynamics in random modular networks
von: Kuśmierz, Łukasz, et al.
Veröffentlicht: (2024)

AR-LIF: Adaptive reset leaky integrate-and-fire neuron for spiking neural networks
von: Huang, Zeyu, et al.
Veröffentlicht: (2025)

Uncertainty Quantification in Working Memory via Moment Neural Networks
von: Ma, Hengyuan, et al.
Veröffentlicht: (2024)

Universality of reservoir systems with recurrent neural networks
von: Yasumoto, Hiroki, et al.
Veröffentlicht: (2024)

Gated recurrent neural networks discover attention
von: Zucchet, Nicolas, et al.
Veröffentlicht: (2023)

Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy
von: Dinda, Bivas
Veröffentlicht: (2024)

Structure of activity in multiregion recurrent neural networks
von: Clark, David G., et al.
Veröffentlicht: (2024)

Slow Transition to Low-Dimensional Chaos in Heavy-Tailed Recurrent Neural Networks
von: Xie, Yi, et al.
Veröffentlicht: (2025)

Modeling Bioelectric State Transitions in Glial Cells: An ASAL-Inspired Computational Approach to Glioblastoma Initiation
von: Pawlak, Wiktoria Agata
Veröffentlicht: (2025)

Physics-informed neural network for modeling dynamic linear elasticity
von: Kag, Vijay, et al.
Veröffentlicht: (2023)

Spike-based computation using classical recurrent neural networks
von: De Geeter, Florent, et al.
Veröffentlicht: (2023)

Predicting concentration levels of air pollutants by transfer learning and recurrent neural network
von: Fong, Iat Hang, et al.
Veröffentlicht: (2025)

Discovering alternative solutions beyond the simplicity bias in recurrent neural networks
von: Qian, William, et al.
Veröffentlicht: (2025)

Von Economo neurons enable reliable social skill acquisition in recurrent spiking neural networks: a computational account with clinical predictions
von: Keskin, Esila
Veröffentlicht: (2026)

Thermodynamic Networks: Harnessing Non-Equilibrium Steady States for Computation
von: Lipka-Bartosik, Patryk, et al.
Veröffentlicht: (2026)

Implementation of high-efficiency, lightweight residual spiking neural network processor based on field-programmable gate arrays
von: Yue, Hou, et al.
Veröffentlicht: (2025)

Sufficient conditions for offline reactivation in recurrent neural networks
von: Krishna, Nanda H., et al.
Veröffentlicht: (2025)

When Spiking neural networks meet temporal attention image decoding and adaptive spiking neuron
von: Qiu, Xuerui, et al.
Veröffentlicht: (2024)

Reconstructing shared dynamics with a deep neural network
von: Benkő, Zsigmond, et al.
Veröffentlicht: (2021)

Investigating the generative dynamics of energy-based neural networks
von: Tausani, Lorenzo, et al.
Veröffentlicht: (2023)

STCSNN: High energy efficiency spike-train level spiking neural networks with spatio-temporal conversion
von: Xu, Changqing, et al.
Veröffentlicht: (2023)

A rationale from frequency perspective for grokking in training neural network
von: Zhou, Zhangchen, et al.
Veröffentlicht: (2024)

Evolutionary feature selection for spiking neural network pattern classifiers
von: Valko, Michal, et al.
Veröffentlicht: (2026)

Phase codes emerge in recurrent neural networks optimized for modular arithmetic
von: Murray, Keith T.
Veröffentlicht: (2023)

Exploiting heterogeneous delays for efficient computation in low-bit neural networks
von: Sun, Pengfei, et al.
Veröffentlicht: (2025)

A tensor network approach for chaotic time series prediction
von: Martínez-Peña, Rodrigo, et al.
Veröffentlicht: (2025)

TDE-3: An improved prior for optical flow computation in spiking neural networks
von: Yedutenko, Matthew, et al.
Veröffentlicht: (2024)

A two-stage algorithm in evolutionary product unit neural networks for classification
von: Tallón-Ballesteros, Antonio J., et al.
Veröffentlicht: (2024)

Efficient lattice field theory simulation using adaptive normalizing flow on a resistive memory-based neural differential equation solver
von: Xu, Meng, et al.
Veröffentlicht: (2025)

Contemporary implementations of spiking bio-inspired neural networks
von: Schegolev, Andrey E., et al.
Veröffentlicht: (2024)

Experimental verification of the quantum nature of a neural network
von: Patrascu, Andrei T.
Veröffentlicht: (2022)

Method for noise-induced regularization in quantum neural networks
von: Kuzmin, Viacheslav, et al.
Veröffentlicht: (2024)

Towards free-response paradigm: a theory on decision-making in spiking neural networks
von: Zhu, Zhichao, et al.
Veröffentlicht: (2024)