本文提出了基于贝叶斯方法的神经元钙成像数据中的神经元尖峰信息提取方法，其目的是通过样本化基于噪声的钙成像数据的尖峰列和模型参数 (基线浓度、尖峰幅度等) 的后验分布来实现，提供了离散时间算法和连续时间算法，用于对各个时间点尖峰的存在和数量及其位置的采样，并提供了一些扩展来给出更可靠的分布和估计，以用于更准确地估计潜在的尖峰列和参数，并提供了传统点估计的补充，以便于确定估计中的不确定性。

Nov, 2013

本文提出一种快速的在线活跃集方法，通过从头到尾顺序处理每个时间序列实现对神经活动的实时估计，解决从原始荧光钙成像数据中提取每个神经元活动的问题，并且该算法相比目前的凸优化求解器具有更快的处理速度，可用于处理成千上万条全脑成像数据。

Sep, 2016

本文提出了一种基于深度神经网络参数化的先验分布方法，通过学习贝叶斯逆映射实现了实时推理。经过基准问题的验证，该方法的后验估计与马尔可夫链蒙特卡罗方法的对应结果一致，并在前向传递神经网络的代价下提供了观测的后验参数。

May, 2023

本研究提出了一种结构化矩阵因数分解方法，用于同时解决大量神经元集合的位置识别，空间重叠组件混合分离以及每个神经元的钙离子浓度与时间关系的脉冲活动去噪和解卷积问题。

Sep, 2014

本研究使用监督式学习法和卷积神经网络进行钙成像数据中的神经元自动检测，取得了接近人类的准确率和超常的速度，且相对于流行的 PCA/ICA 方法，其精度和召回率更优，显示出作为分析大规模钙成像数据的高效且灵活的工具的潜力。

Jun, 2016

该研究提出了一种名为 “变分 Laplace 自动编码器” 的深度生成模型的一般框架，在近似后验分布时采用拉普拉斯近似方法，提高后验表现，同时减少摊销误差。在 MNIST，Omniglot，Fashion-MNIST，SVHN 和 CIFAR10 数据集上进行的实验证明，该方法显着优于 ReLU 网络上其他最近的摊销或迭代方法。

Nov, 2022

神经科学的进步使得研究人员能够同时测量行为动物中大量神经元的活动。我们提出了一种基于混合半非局部先验密度和点质量的贝叶斯方法，用于从荧光迹线中确定神经元的确切尖峰，以实现对神经活动的近似。与基于优化的频率方法相反，我们的方法能够自动量化与尖峰列车推断相关的不确定性。

May, 2023

本文介绍了一种快速的非负卷积滤波算法，用于根据荧光观察推断每个神经元的最可能的尖峰火车，仅使用荧光数据即可估算推断所需的所有参数，而无需进行关节电生理和成像校准实验。

Dec, 2009

使用基于深度学习的条件变分自编码器 (CVAE) 的方法，给定活性曲线的测量结果，有效估计动态正电子发射断层成像 (PET) 的运动动力学参数的后验分布。验证结果使用无偏 MCMC 作为参考，处理低维数据 (单个脑区) 和简化的参考组织模型。

Oct, 2023

在本文中，我们提出了一种更数据高效的概率元学习方法，通过对贝叶斯神经网络的推理进行逐数据点摊销，引入了摊销伪观测变分推理贝叶斯神经网络（APOVI-BNN）。我们展示了在我们的摊销方案下获得的近似后验与传统变分推理获得的近似后验在质量上是相似或更好的，尽管摊销推理是在单个前向传递中执行的。然后，我们讨论了如何将 APOVI-BNN 看作神经过程家族的新成员，以此作为激励使用神经过程训练目标，以实现在复杂问题上更好的预测性能。最后，我们评估了 APOVI-BNN 在一维回归问题和更复杂的图像完成设置中与其他概率元模型的预测性能，在训练数据有限的情况下，我们的模型在同类模型中表现最好。

Sep, 2023