Apr, 2023

神经群体动态和几何的可解释统计表征

PDF
TL;DR本研究提出了一种基于统计学习的无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统，该方法提供了鲁棒的几何感知或几何无关的表示，可用于测量轨迹的基础上进行无偏的动力学比较，并设计了一种具有最先进准确性的解码算法。
发现论文，激发创造
  • 从个体神经元的群体动态学习时不变表达

    神经元的高度变化动力学，提出了一种基于自监督学习的方法，通过对种群记录进行置换和不变总结对个体神经元赋予时间不变性表示，对神经元活动进行动力学建模，可实现对转录组标签的预测，大约提升了 35% 的预测转录组亚类别的准确性，并且相对于最先进的方法提高了 20% 的类别预测准确性。

    Nov, 2023

  • 神经种群几何和任务共享潜在结构的最优编码

    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

  • 使用任务相关的神经流形研究生物和人工神经网络

    通过神经群体几何的角度研究神经网络的内部机制，利用统计物理学中的流形容量理论和高维统计学中的流形对齐分析，定量表征深度神经网络和猕猴神经记录中不同学习目标导致的组织策略差异，并展示这些几何分析与任务相关信息的解码能力之间的联系。这些分析为在神经网络中桥接机制和规范性理论提供了一个重要方向，可能在机器学习和神经科学中开辟了许多未来的研究途径。

    Dec, 2023

  • 从流形学习的角度看深度神经网络架构

    本文旨在比较和描述神经网络结构在几何和拓扑方面的内部表示和层间数据流动的拓扑和几何动态变化，并使用拓扑数据分析和持久性同调分形维数的概念，通过不同层次的数据集以及卷积神经网络和转换网络在计算机视觉和自然语言处理任务中的各种配置的广泛实验，为可解释的和可解释的 AI 的发展做出了贡献。

    Jun, 2023

  • Manifold GPLVMs 用于发现神经数据中的非欧几里德潜在结构

    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

  • 从全脑数据中学习低维度动力学提高任务捕获能力

    本文介绍了一种新方法，使用顺序变分自编码器（SVAE）和神经常微分方程（NODE）来学习神经动力学的低维逼近。该方法产生的光滑动态可以准确地预测认知过程，并显示出对任务相关的脑区的改善空间定位并识别出著名的结构，如 fMRI 运动任务记录中的运动全身像。

    May, 2023

  • 潜在的功能映射

    将光谱几何原理融入神经建模中，提出一个多功能框架，通过在功能域中比较不同空间，测量其内在相似性，找到它们之间的对应关系，并有效地在不同空间之间转移表示，从而在各种应用中验证了我们的框架，展示了潜在的功能映射可以作为表示对齐的多功能工具。

    Jun, 2024

  • 神经持续动力学

    通过学习拓扑特征的隐藏动态模型，我们提出的神经持久动态模型在各种参数回归任务中实质性地优于当前最先进的模型。

    May, 2024

  • 从多个大规模神经群体记录中学习预测相关性以提取低维动态

    本文提出了一种用于多个序列记录的低维动力学提取的方法，该方法利用了降维方法并构建了一种优化模型，能够有效地分析分布在大型脑区域中的动力学，并在遇到严重子采样和小重叠度的情况下标识动力学并预测相关性，同时对处理丢失数据也有很好的表现。

    Nov, 2017

  • 基于 Gram 矩阵轨迹的人类行为理解新几何框架

    本文提出了一个新的空间 - 时间几何表示方法，建立在正半定矩阵的黎曼流形上，并推导出相应的工具进行比较与分类，实现了对于人脸表情的情感识别的竞争性结果。

    Jun, 2018