学习神经场的信号不可知流形
采用深度学习技术,探索正常大脑的隐式流形,并通过解决图像合成和去噪问题,提出了一种新颖的无监督 T1 加权脑 MRI 合成方法,进一步证明了人工网络合成逼真图像数据的能力,从而可以更好地用于改进成像处理技术和提供大脑结构变化的定量框架。
Jan, 2018
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
这篇论文提出了一个以卷积神经网络为基础的统一框架,以推广 CNN 的应用领域到非欧几里得结构的数据,如图形和流形,并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。
Nov, 2016
该研究使用均场理论流形分析来分析来自大规模上下文嵌入模型的语言表示,发现在不同的模型家族中出现了语言流形的证据,尤其是在多义词和包含许多单词的词性类别中,此外,发现这些流形中的线性可分性的出现是由流形半径、维度和流形间相关性的共同减少所驱动的。
Jun, 2020
本文提出了一个名为 “隐藏流形模型” 的生成模型,证明了随机梯度下降算法训练的两层神经网络表现的动态可以通过 Integro-differential 方程组进行跟踪,同时分析了神经网络训练过程中神经网络学习增加复杂度和提高性能的方式以及受其大小、学习率和隐藏流形维度等参数的影响。
Sep, 2019
通过考虑与高维流形相关的每个任务以及基于这些流形的任务间关系,本研究定义了任务特定几何敏感哈希算法 (T-GSH),并展示了在神经调控系统下使用随机加权神经网络能够实现该算法。
Nov, 2023
本研究提出了一种基于 GLOW 的双流版本,能够在给定另一个流形测量类型的情况下合成其他类型的测量信息,并引入了三种用于流形数据的可逆层,其中包括对人脑图像进行重构和合成的实验。
Dec, 2020
本文在生成对抗网络中引入流形学习方法来打磨辨别器,考虑局部约束线性和基于子空间的流形以及局部约束的非线性流形,利用流形学习和编码的设计将中间特征表示映射到流形上,并通过协调特征表示和流形视图之间的差异性,实现去噪和流形精细化的两难平衡,并在实验中发现局部约束的非线性流形优于线性流形,性能也明显优于现有的基线算法。
Dec, 2021
本论文提出一种通过神经隐式流来表示数据流形分布的方法,称为神经隐式流分布。为了解决基于前向模型的限制,引入了约束能量模型,该方法使用约束的 Langevin 动力学来训练和采样,能比前向模型更精确地学习复杂拓扑结构的流形支持分布,并允许将模型流形的并集和交集进行运算。
Jun, 2022