MARC

 008240221s2023        ulk                      00        kor
■001000016931422
■00520240214100019
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379751463
■035    ▼a(MiAaPQ)AAI30311467
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aDi  Tullio,  Ronald  W.
■24510▼aInference  of  Representations  Through  Structure:  Revisiting  Marr's  Tri-Level  Hypothesis  of  Neuroscience▼h[electronic  resource]
■260    ▼a[S.l.]▼bUniversity  of  Pennsylvania.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(157  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Balasubramanian,  Vijay;Cohen,  Yale.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aMarr's  tri-level  hypothesis  marked  a  turning  point  for  systems  neuroscience  and  has  consistently  influenced  thinking  in  the  field  since  its  proposal  nearly  fifty  years  ago  by  David  Marr  and  Tomaso  Poggio.  Its  assertion  that  any  system  could  be  understood  on  three  distinct  but  equally  valid  levels  -  implementation,  representational/algorithmic,  and  computational  -  provided  a  unifying  framework  into  which  researchers  could  organize  their  work  and  the  work  of  their  peers.  Neuroscience  appears  to  again  be  at  a  turning  point.  Recent  technological,  computational,  and  theoretical  developments  offer  the  possibility  of  making  significant  progress  in  understanding  neural  systems  on  the  representational  /algorithmic  level.  Thus,  once  again,  a  unifying  framework  is  needed  for  researchers  to  organize  this  new  wave  of  work.In  this  thesis,  I  humbly  take  a  bold  stab  at  proposing  such  a  unifying  framework.  This  framework,  Representational  Inference  through  Structure,  or  Inference  through  Structure  for  brevity,  argues  that  researchers  make  inferences  about  the  representations  and  algorithms  used  by  neural  systems  by  leveraging  three  different  types  of  observed  structure.  Specifically:  structure  in  the  stimuli/inputs,  structure  in  the  neural  activity  itself,  and/or  structure  in  the  task.  In  the  introductory  chapter  I  argue  that  this  framework  allows  us  to  view  approaches  sometimes  seen  as  disparate  or  even  antagonistic  as  instead  leveraging  a  different  type  of  structure  and  thus  part  of  a  unified  effort  to  understand  the  brain.  In  the  next  chapters  I  then  take  my  own  work  across  three  different  domains  of  systems  neuroscience  as  examples  of  leveraging  the  different  types  of  structure.  In  the  final  chapter  I  conclude  by  demonstrating  the  broader  utility  of  the  framework  and  discussing  the  potential  next  steps  in  the  field  of  systems  neuroscience.
■590    ▼aSchool  code:  0175.
■650  4▼aNeurosciences.
■650  4▼aMathematics.
■653    ▼aAudition
■653    ▼aCognition
■653    ▼aComputational  neuroscience
■653    ▼aSpatial  navigation
■653    ▼aTheoretical  neuroscience
■690    ▼a0317
■690    ▼a0405
■71020▼aUniversity  of  Pennsylvania▼bNeuroscience.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931422▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서