@phdthesis{01JVA08FXX4CB6DSBNNY8XCN9K,
  abstract     = {{Dit proefschrift introduceert een innovatief model dat vertragingen integreert in netwerken op basis van rate neurale netwerken en spiking neurale netwerken, geïnspireerd door de vertragingmechanismen in biologische systemen zoals het brein. Deze vertragingen verbeteren het vermogen van het netwerk om complexe temporele informatie te verwerken. Een belangrijk kenmerk is de dynamische aard van de vertraging, die kan worden aangepast aan de specifieke eisen van de taak, wat meer flexibiliteit en efficiëntie biedt bij het leren van temporele relaties.

Daarnaast verkent het proefschrift een verbeterde vertragingverdeling en introduceert het een adaptieve vertragingstrainingstrategie, die het mogelijk maakt om vertragingen per laag dynamisch aan te passen tijdens de training. Dit verhoogt de efficiëntie door het optimaliseren van beschikbare middelen. Verder introduceert het proefschrift een parametervrije aandachtmechanisme (PfA), dat de prestaties verbetert zonder extra rekenkracht.

De methoden zijn getest in EEG-decoderingstaken, waarbij de biologische plausibiliteit werd aangetoond. De experimenten tonen aan dat het vertragingmechanisme het tijdsverschil tussen audiovisuele stimulatie en hersenrespons kan simuleren, wat suggereert dat het model effectief is voor kunstmatige taken zoals spraakverwerking en EEG-decodering, en biologisch relevant is.}},
  author       = {{Sun, Pengfei}},
  isbn         = {{9789463559836}},
  language     = {{eng}},
  pages        = {{xxvi, 205}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Incorporating temporal delays in neural networks for enhanced dynamic and learning performance in time-sensitive tasks}},
  year         = {{2025}},
}