利用大规模神经影像数据集创建连接组约束方法，以实现更加稳健、高效和适应性人工智能

May, 2023

利用大规模神经影像数据集创建连接组约束方法，以实现更加稳健、高效和适应性人工智能

Exploiting Large Neuroimaging Datasets to Create Connectome-Constrained Approaches for more Robust, Efficient, and Adaptable Artificial Intelligence

PDF

Erik C. Johnson, Brian S. Robinson, Gautam K. Vallabha, Justin Joyce, Jordan K. Matelsky...

TL;DR利用大型神经成像数据集中的连接性图谱等手段，改善边缘端机器学习的效率和鲁棒性，并通过对果蝇和哺乳动物视脑回路连接等领域的分析，展示了多种潜在的应用脑科学领域洞见的方法。

Abstract

Despite the progress in deep learning networks, efficient learning at the edge (enabling adaptable, low-complexity machine learning solutions) remains a critical need for defense and commercial applications. We envision a pipeline to utilize large neuroimaging datasets, including maps

neuroimaging datasets machine learning approaches connectivity circuitry transformer networks

发现论文，激发创造

基于多任务元学习的数据高效脑连接组分析

通过元学习技术，在跨数据集的情况下，训练大规模的大脑连通性图谱数据集，提出了基于元学习的数据高效训练策略，并通过图神经网络框架，包括变换式的跨数据集任务权重自适应等，得到了更高效和更稳定的性能，为了更好地研究疾病间和数据集间的相似性，提出了新的见解。

Jun, 2022

生物连接组作为人工神经网络架构的表征

本文通过将矛线虫的运动回路转化为具有不同生理真实性水平的人工神经网络，评估这些网络在动态和非动态行为任务上的训练结果。研究表明，即使不保持生物特性的真实性，也可以获得使用生物电路的优势。建立生物电路结构的统计学提供了有价值的先验知识。同时，矛线虫的运动回路对于运动问题具有强大的归纳偏差，但其结构可能会妨碍其他与运动无关的任务。

Sep, 2022

视觉电路的自动发现

基于视觉概念的神经元激活依赖和功能连接，我们提出了一种新的方法来提取深度视觉模型计算图的子图，从而防御大规模预训练模型的对抗攻击。

Apr, 2024

探索和比较深度学习结构，预测大脑对逼真图片的反应

我们利用预训练模型，探索机器学习架构来预测大规模预训练模型生成的图像对大脑的响应，通过使用单个连接的线性层加上由 CLIP 生成的图像嵌入作为输入，在 Algonauts 挑战赛上取得了相对较好的结果，但未能建立与数据的强有力关联。

Sep, 2023

深度学习与神经科学的集成

本文考虑在神经科学和机器学习之间建立联系，提出脑部通过优化各式各样的代价函数来实现数据高效学习和定向行为，其中包括关注、递归等结构体系和各种形式的短时和长时记忆存储，作者提出了未来神经科学试图改进和检验这些假设的方向。

Jun, 2016

大规模神经科学中的简单与复杂

本文回顾了大规模神经科学研究中的技术和数据分析方面的缺陷，并提出了新的理论框架与方法以促进神经科学概念的进一步发展。

Mar, 2015

神经影像的深度学习：一项验证研究

本文验证了深度学习在脑成像和神经科学探索中的应用，并探讨了数据转换的参数选择对学习结果的影响。结果表明，深度学习方法能够学习到生理学上重要的表征，并检测神经成像数据中的潜在关系。

Dec, 2013

神经图：脑连接组学图机器学习基准

介绍了一种名为 NeuroGraph 的开源 Python 软件包，它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估，可以用于机器学习研究高维功能性神经影像数据的分析和预测。

Jun, 2023

构建基于时空预测的脑数据表示模型

通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路，以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域，从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。

Feb, 2020

大脑解码深度神经网络

我们开发了一种工具，通过将大型预训练视觉模型映射到大脑上，从而揭示其隐藏在内部的信息。我们的创新提出了一种令人惊讶的使用大脑编码的方法：预测大脑在图像刺激下的功能磁共振成像测量。我们报告了两个发现：首先，对于空间、层级、尺度和通道的大脑和深度网络特征之间的显式映射至关重要。这种映射方法，FactorTopy，可应用于任何深度网络；通过它，我们可以将网络映射到大脑上（真实可视化）。其次，我们的可视化结果显示了不同的训练方法的重要性：它们导致了层次结构和缩放行为上显著的差异，随着更多的数据或网络容量增加而增长。它还提供了微调的见解：在适应小数据集时，预训练模型如何改变。我们的方法很实用：只需 3000 个图像就足以学习网络到大脑的映射。

Dec, 2023