Mgr. Ján Antolík, Ph.D.

Mgr. Ján Antolík, Ph.D.

Ing. Magda Friedjungová, Ph.D.

Katedra aplikované matematiky

Tato práce zkoumá použití technik hlubokého učení pro rekonstrukci vizuálních podnětů z neuronální aktivity v primární zrakové oblasti (V1). Zaměřuje se na překonání nedostatku biologických dat vývojem úsporných architektur, analýzou dopadu syntetických trénovacích dat, využitím adversariálního a transferového učení a zavedením nových pomocných optimalizačních cílů. Je provedena řada experimentů s daty z in silico simulací V1 u koček a in vivo záznamů z V1 u myší, přičemž je poukázáno na nejlepší přístup k dekódování a jsou navrženy kroky pro budoucí výzkum. Metody vyvinuté v této práci překonávají některé stávající state-of-the-art techniky podle několika široce používaných hodnotících kritérií. Celkově výsledky zdůrazňují potenciál strojového učení pro dekódování neuronální aktivity a otevírají cestu k budoucímu pokroku v oblasti technologií propojující mozek s počítačem a v neurovědeckém výzkumu.

Práce na DSpace

Mgr. Ján Antolík, Ph.D.

Ing. Jakub Šístek, Ph.D.

Katedra aplikované matematiky

Tato práce rozšiřuje rekurentní neuronovou síť primární zrakové kůry o modul pro učení spojení. Původní model se učí váhy pro všechna laterální spojení. Učí se tedy kvadratický počet volných parametrů. Do modelu jsme přidali funkční vlastnosti všech neuronů a malou neuronovou síť, která na základě těchto vlastností přiřazuje váhy. Naše řešení snižuje počet volných parametrů z O(n^2) na O(n). Také jsme ukázali, že naučené váhy jsou vysoké pro neurony s podobnými vlastnostmi, jako je orientace nebo fáze, což je v souladu s biologickou strukturou zrakové kůry.