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

神经学中理解复杂人类行为的神经实现是一个重要目标，本研究提出一种新的无监督学习框架，神经潜变压器（NLA），用于找到良好约束的、与行为相关的神经表示，通过对重复试验进行表示对齐来学习跨试验一致的信息，通过时间弯曲模型（TWM）解决试验之间的时间错位，应用于自然语言说话的脑内电皮层图图（ECoG）的实验证明了该模型在低维空间下学习更好的解码行为的表示，TWM 可通过测量对齐试验之间的行为一致性进行经验验证，所提出的框架学习到了比基线模型更加一致的、可视化后揭示了试验之间共享的神经轨迹的表示流形。

Aug, 2023

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

我们介绍了一种自监督的结构化表示和生成方法，能够提取周期性或准周期性运动中的时空关系，通过在连续参数化的潜在空间中进行运动动力学，增强了运动学习算法的插值和泛化能力，为未来的运动表示和学习算法的发展开辟了新的可能性。

Feb, 2024

提出了一种方法，通过在一种框架内结合变分自动编码器和 (时空) 注意力机制，从高维经验数据中学习动力系统，以实现确定一定科学动力学不变的设计，这种方法允许在任何连续时刻有效推断系统行为，是从异构数据中高效学习动态模型的一种有前途的新框架。

Jun, 2023

通过发展新方法：有向各向异性扩散图（directed anisotropic diffusion map），我们能够有效地提取出低维流形中的潜在演化动力学，并应用于真实的脑电图（EEG）数据，找到了适当的有效坐标，推导出能够检测状态转变过程中的临界点的早期预警信号。

Sep, 2023

通过将广义线性模型与柔性基于图的先前知识结合，利用 Polya-gamma 增强的完全贝叶斯推理的方法，可以从神经元的同时记录的 Spike train 数据中推断潜在结构，我们的方法将神经元分类并从相关的 Spike train 中推断电路组织的潜在维度，并通过应用于灵长类视网膜的多神经元记录，揭示了神经元类型和位置的潜在模式。

Oct, 2016

本研究利用潜在欧氏空间嵌入纵向网络数据轨迹，提出了一种动态网络模型，采用 MCMC 算法估计模型参数和演员的潜在位置。该模型具有有意义的可视化效果，易于处理方向或无向边，缺失边且很好地用于预测未来边。此外，我们给出了一种新颖的方法来仅使用边信息来检测和可视化演员之间的吸引力。我们使用该模型研究了从荷兰教室和美国众议院成员收集的协同赞助网络中收集的数据，以展示该模型的实用性并使研究人员深入了解网络的演化和结构。

May, 2020

对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为 Latent Dynamics Network 的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

Apr, 2023

使用基于数据驱动的动态系统理论的最新进展和一种新的相似度度量方法，我们能够比较两个递归神经网络并识别它们之间的动态结构，同时能以无监督的方式区分学习规则。

Jun, 2023