令人惊讶的事件触发了可衡量的大脑活动，并通过影响学习，记忆和决策来影响人类行为。但是，目前在惊喜的定义上尚无共识。在这里，我们确定了统一框架中惊喜的18个数学定义。我们首先将这些定义的技术分类基于它们对代理人的信念的依赖，展示它们如何相互关系，并在什么条件下证明它们是无法区分的。除了这项技术分析之外，我们提出了一个惊喜定义的分类法，并根据它们测量的数量将其分类为四个概念类别：（i）“预测惊喜”衡量预测与观察之间的不匹配； （ii）“变更点检测惊喜”衡量了环境变化的可能性； （iii）“信心校正的惊喜”明确说明了信心的影响； （iv）“信息获得惊喜”衡量了对新观察的信念更新。该分类法为大脑中功能作用和生理特征的原则研究奠定了基础。

我们考虑训练神经网络以存储具有最大噪声稳健性的图案的问题。从最佳权重和状态更新规则方面，解决方案是通过训练每个单独的神经元来执行内核分类或以最小权重规范执行核的分类而得出的。通过将此方法应用于馈送和经常性网络，我们得出了最佳网络，包括特殊情况，包括过去几年中提出的许多异性和自动缔合性记忆模型，例如现代Hopfield Networks和Kanerva's稀疏的分布式内存。我们概括了Kanerva的模型，并展示了一种设计内核内存网络的简单方法，该内核存储网络可以存储具有有限吸引力盆地的连续值数字数量。内核内存网络的框架提供了一种简单而直观的方式来了解以前的存储器模型的存储容量，并允许从树突非线性和突触聚类中进行新的生物学解释。

拟合网络模型到神经活动是神经科学的重要工具。一种流行的方法是利用概率经常性尖刺网络来模拟大脑区域，其参数最大化记录的活动的可能性。虽然这是广泛使用的，但我们表明所得模型不会产生现实的神经活动。要纠正此功能，我们建议使用测量模拟和录制活动之间的异化的术语来增加日志可能性。这种不相似性通过神经科学常用的概要统计来定义，并且优化是有效的，因为它依赖于通过随机模拟的尖峰列车的背部传播。理论上我们分析了这种方法，并经验展示它产生更现实的活动统计数据。我们发现它可以改善其他拟合算法，用于尖刺网络模型，如GLM（广义线性模型），通常不依赖于反向传播。这种新的拟合算法还使得能够考虑难以苛刻的隐藏神经元，并且我们表明在尝试从尖峰录制中推断网络连接时可能是至关重要的。

Maintaining the identity of multiple objects in real-time video is a challenging task, as it is not always feasible to run a detector on every frame. Thus, motion estimation systems are often employed, which either do not scale well with the number of targets or produce features with limited semantic information. To solve the aforementioned problems and allow the tracking of dozens of arbitrary objects in real-time, we propose SiamMOTION. SiamMOTION includes a novel proposal engine that produces quality features through an attention mechanism and a region-of-interest extractor fed by an inertia module and powered by a feature pyramid network. Finally, the extracted tensors enter a comparison head that efficiently matches pairs of exemplars and search areas, generating quality predictions via a pairwise depthwise region proposal network and a multi-object penalization module. SiamMOTION has been validated on five public benchmarks, achieving leading performance against current state-of-the-art trackers. Code available at: https://github.com/lorenzovaquero/SiamMOTION