本文旨在通过探究基于快速聚类的交替方案，用于替代耗时的函数评估来降低记忆需求，从而处理大规模的脑成像数据。结果表明，基于聚类的压缩在提高之后的估计步骤的精度方面有良好的效果，能够用于分析大型数据集。

Nov, 2015

该论文回顾了过去十年来小世界网络和权重网络分析在神经连接学领域的发展，并指出权重图的拓扑分析对于更复杂的脑连接数据更为重要，结合实例探讨了人类和小鼠的解剖神经网络拓扑结构，并探讨了未来对加权小世界拓扑结构更深层次、更广泛理解的趋势。

Aug, 2016

该论文提出了一种用于从复制网络中估计共同结构和分析个体特异性差异的方法 —— 多重图分解（M-GRAF）模型，并对该方法进行了模拟和实际数据实验，研究表明该方法具有较好的操作特性。

Jul, 2017

本文旨在从几何和高维统计推理的概念和技术入手，通过对图拉普拉斯矩阵空间的精确定义和 Fréchet 的非参数平均概念，为功能神经成像数据的网络构建提供一种新的全局测试方法，并展示了其相较于基于无差别分析的单变量方法更具统计学优势的全局测试方法。此外我们还给出了一种可视化每条边对于总测试统计量的单独贡献的方法。

Jul, 2014

该研究提出了一种基于多核系统的、可用于实时处理电子显微镜数据的多通道管道，并演示了其在重建神经元连接性的准确性和速度上的优势。

Dec, 2016

本文介绍了一种基于 Riemannian 几何学的 M/EEG 数据分析方法，通过将 M/EEG 协方差矩阵映射到切空间中进行回归和预测，研究结果表明这种方法在预测能力上超过基于传感器空间的估计方法，接近需要 MRI 数据的生物物理学驱动源定位模型的表现。

Jun, 2019

通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路，以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域，从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。

Feb, 2020

低秩建模在信号处理和机器学习中扮演着关键的角色，本文综述了利用凸和非凸方法对低秩矩阵估计进行计算上高效可证的方法，其中包括对低维子空间和流形的适当利用及其对计算和存储成本的显著降低。

Feb, 2018

提出了一种新的基于图编辑距离的方法，用于比较大脑图并直接反映出相似性及网络元素对应关系，从而更准确地表示个体网络的相似性和变化，并在一个双胞胎数据集上进行了验证。

Mar, 2017

本文研究了实际应用中复杂网络的图形建模与欧几里得嵌入，以及这些低秩表示在网络分类问题中的性能表现。

Oct, 2022