<div dir="ltr">Hi everyone, <div><br></div><div>Just a reminder about the seminar today at 3:30. Hope to see you there! </div><div><br></div><div>Bryan </div><div><br></div><div class="gmail_extra"><br><div class="gmail_quote">On Mon, Mar 14, 2016 at 6:14 PM, Bryan Tripp <span dir="ltr"><<a href="mailto:bptripp@gmail.com" target="_blank">bptripp@gmail.com</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr"><div>Hi everyone, </div><div><br></div><div>Please join us for our next CTN seminar, next Monday (March 21) at 3:30 in PAS 2464. The title and abstract follow. The speaker is Dr. Zoran Tiganj, currently a post-doctoral researcher in the lab of Marc Howard (Boston University), and a candidate for a post-doctoral position with Chris Eliasmith. </div><div><br></div><div>As usual, please let me know if you would like to meet individually with the speaker and/or come for dinner after the talk. </div><div><br></div><div>Regards, </div><div>Bryan </div><div><br></div><div><div>Title: Memory across scales: integrating computational models and electrophysiological data</div><div><br></div><div>Abstract:</div><div>It is well known that, all things being equal, the accuracy of mammalian memory is better for events that took place at more recent past than at more distant past. I will present a biologically plausible computational framework that can account for this gradual decay of memory over multiple seconds. The framework relies on sequentially activated time cells that constitute an internal timeline. Information about what happened when is dynamically updated and always available in the brain. Having an internal timeline makes various useful computations easily achievable. For instance, if an animal knows its momentary speed, it can compute spatial distance from landmarks and construct place cells. Also, from the internal timeline it is straightforward to construct prediction of the future that is based on the spatiotemporal structure of the input signals. I will discuss the utility of these computations in the context of brain-inspired machine learning and artificial intelligence. Finally, I will present single unit data from electrophysiological recordings in rodents that support the existence of a neural timeline. </div></div><div><br></div></div>
</blockquote></div><br></div></div>