在这篇论文中，我们探索了利用潜变量建模在同时学习许多相关变量的条件下进行认知测试的方法，并提出了一种活跃学习框架，可以更高效地进行认知测试电池。通过在整个人群中对潜在空间进行联合训练，将个体的测试结果嵌入到潜在空间中，从而利用了单个参与者的测试之间以及多个参与者之间的相关性。我们通过实时数据采集验证了我们的方法，证明它在使用更少的测试项目进行项目级预测方面与传统方法相当。

Dec, 2023

我们提出了一种无监督的潜在变量模型，可以从不同的实验数据模态中提取演化的共享和独立的潜变量，通过结合高斯过程因子分析和高斯过程变分自编码器的方法，我们在傅里叶域中参数化模型的潜变量，并在两个真实的多模态实验设置上验证了模型的有效性。

Oct, 2023

论文提出了 pi-VAE 这一将潜在变量模型和神经编码模型相结合的新方法，用于分析神经元群体响应数据，并通过合成和实验数据在大鼠海马和恒河猴运动皮层数据集中进行了验证，证明了该方法具有更好的拟合功效和可解释性，可以为神经编码结构提供新的见解。

Nov, 2020

本文探索运用深层潜变量模型解决与生理监测相关的高维问题，包括利用心电波形生成模型进行心脏疾病诊断、结合概率图模型和深度对抗学习的大脑信号建模方案以及生理测量和行为联合建模的框架。这些创新性计算方法的成功应用能够在生物学研究、临床诊断和新兴消费应用中实现生物标记发现的跨物种翻译，并为神经认知分析提供洞察力。

May, 2024

提出了一种新的概率潜变量模型 (mGPLVM) 来同时确定潜变量状态和神经元对其表示的贡献，以研究神经元编码头部方向及其它相关行为表现内部潜变量构建的问题。

Jun, 2020

该研究发展了一种基于时间的语音 LVM 基准，并将其与实用模型进行了比较，结合使用度量标准以及潜在变量等进行定量的分析。同时，也探究了建立在多个潜在变量层次上的时钟 VAE 模型在提高语音生成表现中的应用。

Feb, 2022

通过提出一种互相角度正则化的方法，可以训练出具有多样性，低冗余，更好的解释性的潜在变量模型，并有效地捕捉长尾模式并减少模型复杂度。

Dec, 2015

本文提出了神经潜在变量模型中的特征共享及对集合检测问题的解决方法，最终应用在网格细胞数据集上，以单一的集成建模框架恢复不同集合，推断环形潜在变量并预测神经调谐曲线。

Oct, 2022

本文提出使用脑机接口的域泛化方法，以解决在更生态有效的情景下观察到的神经活动模式是否可以用于准确推断潜在状态、相关认知过程或个体近端行为等问题，并将其应用于驾驶相关任务中，从而表现出实验设计的生态效度，并为了解复杂任务期间观察到的神经活动和行为之间关系提供了一个方法。

Apr, 2023

人和动物可以认识到环境中的潜在结构，并将这些信息应用于有效地导航世界。本论文开发了一个分析理论，将神经群体活动的中等统计特性与多任务学习问题上的泛化性能相联系。利用这个理论，我们发现实验观察到的因素化（或解缠）表示自然地成为多任务学习问题的最优解，同时验证了来自生物和人工神经网络数据的理论预测。这些结果将神经群体几何学与多任务学习问题联系起来，并对这些场景中的群体活动结构进行正式预测。

Feb, 2024