提出了 DeepMpMRI，用于从不同扩散模型中使用稀疏采样的 q 空间数据快速高保真地估计多参数；实验证实了该方法在同时定量和定性地估计多参数映射方面相对于 5 种最先进方法的优越性和 4.5-22.5 倍加速

May, 2024

本研究研究了多分辨率分析和矩阵分解之间的关系，提出了一种增量多分辨率矩阵分解算法，用于发现对于许多视觉问题的成功非常重要的对称矩阵的分层块结构，实验证明该算法可以用于改进网络架构以及其他视觉问题。

May, 2017

提出了 Deep Hyperalignment (DHA) 方法，是一种正则化、深度扩展、适用于功能对齐的功能磁共振成像数据集的处理方法，并且在多个受试者分析中表现出优越的性能。

Oct, 2017

基于非负矩阵分解（NMF）概念的 IG-MDSR-NMF 和 IG-MDSR-RNMF 模型，通过发现数据的低秩近似，处理高维数据，并确保模型的非负性约束。与其他九种降维算法相比，两个模型在五个常用数据集上表现出明显的优越性，通过保证数据的局部结构等方面验证了低维嵌入与原始数据的对比，同时还呈现了计算复杂性和收敛性分析，从而证明了这些模型的优势。

May, 2024

设计高效的低秩模型，通过一种广义的 Ordered Dropout 方法将低秩结构内嵌到训练过程中，实现对深度神经网络进行可训练的低秩层插入，从而提取出足够小的模型，保持模型性能并允许在不同性能设备上进行准确性和延迟的权衡。

Aug, 2023

使用功能核磁共振成像的任务特异性数据，我们通过解构任务特定的神经网络成一组基本组件，通过将这些网络映射到大脑区域，进一步对其功能进行表征并确定其生理基础。研究结果显示了标准网络的良好任务特异性、对不同人群、研究和获取协议的普适性、以及标准网络具有强结构和生理基础。在方法上，通过非负矩阵分解进行去卷积的技术能够有效地识别标准网络，并解决高维度、样本量小、采集变异和噪声等问题。该方法适用于大数据集，得到稳定准确的结果，并对噪声具有鲁棒性。

Jun, 2024

本文介绍了一种基于动态模态分解 (Dynamic Mode Decomposition) 算法的扩展版本 GraphDMD，该算法以一种可解释的方式从 fMRI 时间序列中提取动态网络模态和它们的时间特征。作者还开发了 DeepGraphDMD，这是一种基于自动编码器的深度学习模型，用于学习任意非线性图动态系统的 Koopman 特征值，并将非线性图的动态嵌入潜在的线性空间。作者通过模拟和 HCP 静息态 fMRI 数据的实验结果表明了 DeepGraphDMD 方法的有效性，并发现了两个与流体智力和晶体智力相关的重要网络模态，这为认知脑功能提供了新的见解。

Jun, 2023

本文介绍了一种基于贝叶斯模型的 MARS 方法，通过训练学习二进制掩码自动选择张量分解的最佳秩，可嵌入标准的神经网络训练过程中，实现在不同任务中比以前更优秀的结果。

Jun, 2020

通过引入基于分数的有向无环图发现方法 (BDyMA) 和 DTI 数据，本文提出了一种贝叶斯动态有向无环图学习方法，旨在解决大脑解剖结构和推断有效连接方面的挑战，实现更准确和可靠的动态连接模型的发现。

Sep, 2023

通过将全局上下文建模问题视为低秩恢复问题，将 MD 模型作为解决方案以低成本、高效的方式优于现有的注意机制，特别是自注意机制，在解决先前无法解决的全局性任务上具有广泛应用，特别是在计算机视觉上。

Sep, 2021