自监督学习在多模态数据融合中的实践与探索
【8月更文第9天】自监督学习（Self-Supervised Learning, SSL）是一种机器学习方法，它利用未标记的数据来训练模型。这种方法通过设计预训练任务来挖掘数据的内在结构，无需人工标注，从而减少了对大量标注数据的依赖。当应用于多模态数据时，自监督学习可以帮助模型学习到不同模态之间的关联性，进而提高模型在特定下游任务上的表现。
【类脑计算】突触可塑性模型之Hebbian学习规则和STDP
本文介绍了突触可塑性中的Hebbian学习规则和STDP（Spike-Timing Dependent Plasticity），两种基于神经元活动调节突触强度的机制，其中Hebbian规则强调同时活动的神经元间的连接增强，而STDP则考虑了脉冲时间差异对突触强度的调节作用。