Neural mechanisms of information processing and transmission
Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen:
https://osnadocs.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-202111055552
https://osnadocs.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-202111055552
Langanzeige der Metadaten
DC Element | Wert | Sprache |
---|---|---|
dc.contributor.advisor | Prof. Dr. Gordon Pipa | ger |
dc.creator | Leugering, Johannes | - |
dc.date.accessioned | 2021-11-05T11:46:11Z | - |
dc.date.available | 2021-11-05T11:46:11Z | - |
dc.date.issued | 2021-11-05T11:46:12Z | - |
dc.identifier.uri | https://osnadocs.ub.uni-osnabrueck.de/handle/urn:nbn:de:gbv:700-202111055552 | - |
dc.description.abstract | This (cumulative) dissertation is concerned with mechanisms and models of information processing and transmission by individual neurons and small neural assemblies. In this document, I first provide historical context for these ideas and highlight similarities and differences to related concepts from machine learning and neuromorphic engineering. With this background, I then discuss the four main themes of my work, namely dendritic filtering and delays, homeostatic plasticity and adaptation, rate-coding with spiking neurons, and spike-timing based alternatives to rate-coding. The content of this discussion is in large part derived from several of my own publications included in Appendix C, but it has been extended and revised to provide a more accessible and broad explanation of the main ideas, as well as to show their inherent connections. I conclude that fundamental differences remain between our understanding of information processing and transmission in machine learning on the one hand and theoretical neuroscience on the other, which should provide a strong incentive for further interdisciplinary work on the domain boundaries between neuroscience, machine learning and neuromorphic engineering. | eng |
dc.subject | Theoretical Neuroscience | eng |
dc.subject | Neural Information Processing | eng |
dc.subject | Artificial Intelligence | eng |
dc.subject.ddc | 500 - Naturwissenschaften | ger |
dc.title | Neural mechanisms of information processing and transmission | eng |
dc.type | Dissertation oder Habilitation [doctoralThesis] | - |
thesis.location | Osnabrück | - |
thesis.institution | Universität | - |
thesis.type | Dissertation [thesis.doctoral] | - |
thesis.date | 2021-09-06 | - |
orcid.creator | https://orcid.org/0000-0003-0956-4139 | - |
dc.contributor.referee | Prof. Dr. Peter König | ger |
dc.contributor.referee | Prof. Dr. Sen Cheng | ger |
dc.subject.bk | 54.72 - Künstliche Intelligenz | ger |
dc.subject.bk | 30.99 - Naturwissenschaften allgemein: Sonstiges | ger |
dc.subject.ccs | H.1.1 - Systems and Information Theory | ger |
dc.subject.ccs | G.3 - PROBABILITY AND STATISTICS | ger |
ddb.annotation | Diese (kumulative) Dissertation behandelt Mechanismen und Modelle der Informationsverarbeitung und -übertragung durch einzelne Neuronen sowie kleine neuronale Assemblies. In diesem Dokument stelle ich erst den historischen Kontext dieser Ideen dar, und zeige Gemeinsamkeiten und Unterschiede zu verwandten Ansätzen beim maschinellen Lernen und Neuromorphic Engineering auf. Vor diesem Hintergrund entwickele ich im Anschluss die vier Kernthemen meiner Arbeit: dendritische Filterung und Delays, homeostatische Plastizität und Adaption, Ratencodierung durch gepulste Neuronen, sowie spike-timing-basierte Alternativen zur Ratencodierung. Der Inhalt dieser Darstellung basiert im Wesentlichen auf mehreren eigenen Publikationen, welche im Appendix C angehängt sind, er wurde allerdings weiterentwickelt und ergänzt um die Kernideen einfacher zugänglich zu machen, umfassender zu erklären und ihre inhaltlichen Verbindungen herauszustellen. Ich schließe die Diskussion mit der Schlussfolgerung ab, dass nach wie vor fundamentale Unterschiede in unserem Verständnis von Informationsverarbeitung und -übertragung bei maschinellem Lernen auf der einen, und theoretischen Neurowissenschaften auf der anderen Seite bestehen, die einen starken Anreiz für weitere interdisziplinäre Arbeiten im Grenzbereich zwischen Neurowissenschaften, maschinellem Lernen und Neuromorphic Engineering bieten sollten. | ger |
Enthalten in den Sammlungen: | FB08 - E-Dissertationen |
Dateien zu dieser Ressource:
Datei | Beschreibung | Größe | Format | |
---|---|---|---|---|
thesis_leugering.pdf | Präsentationsformat | 9,18 MB | Adobe PDF | thesis_leugering.pdf Öffnen/Anzeigen |
Alle Ressourcen im Repositorium osnaDocs sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt. rightsstatements.org