通过提取神经网络层中高维激活空间内相似的激活特点，我们找到了一些被对待相似的输入群体，这些输入群体代表神经激活模式 (NAPs)，并可用于可视化和解释学习层概念，从而实现了神经网络的分析方法的互补。

Jun, 2022

本文旨在研究计算模型对处理脑组织中复杂连接模式的作用，我们找到了几类计算模型可以有效探索多尺度时空领域中异质性神经元相互作用和复杂网络连接带来的潜在功能性和后果。

Mar, 2022

本文研究神经网络的透明度缺乏问题，通过对激活模式和网络消融的表征，揭示了在完成学习任务时单个神经元和神经元群体的作用，强调了为未来的转移学习和现代神经科学发展提供必需指标的重要性。

Apr, 2020

GNNs 利用节点表示学习构建的强大模型在与图相关的许多机器学习问题中表现出色，但其部署的主要障碍在于社会可接受性和可信度问题，我们提出了通过挖掘隐藏层的激活规则来理解 GNN 对世界的感知，以解决这一问题，并介绍了主观激活模式领域。通过信息论的基于背景知识的方法来确定激活规则的兴趣度，从而揭示了 GNN 用于分类图的特征和不同层所构建的隐藏特征，同时这些规则还可用于解释 GNN 的决策。实验结果表明在合成和真实数据集上，这些规则在解释图分类方面具有高竞争性，可提高 200% 的准确度。

Jun, 2024

本文提出了深度神经网络的统计力学模型，将基于能量的方法和前馈神经网络方法相连接。模型的平均场解给出了一组自然活化函数，包括 Sigmoid、tanh、ReLu 和 Swish，研究表明 Swish 可以优化网络的性能

May, 2018

本文介绍了一种训练脉冲神经网络的方法，通过结合使用连续模型网络和脉冲模型神经元，使其能够自主产生动态模式，并模拟生理数据，这提供了一种新的方法用于训练脉冲神经网络，并探讨了神经系统中表示和计算的重要问题。

Jan, 2016

本章介绍了一种神经科学方法 ——Activation Maximization（AM），利用机器学习技术综合推理神经元的首选刺激，以大力激发人造或生物大脑中的单个细胞或细胞组，并讨论了现有 AM 技术的概率解释和其在网络调试和解释方面的应用。

Apr, 2019

使用生成对抗网络 (GAN) 的模型 Spike-GAN，可以模拟神经元人群的联合活动，并生成符合实验数据统计学特征的尖峰火箭信号。在与其他主流神经科学建模方法的比较中表现出类似的性能，此方法提供了一种更灵活，易于使用的神经活动合成技术，并可用于确定尖峰火箭信号中的重要特征之间的关系。

Mar, 2018

使用神经网络中的 LSTM 模型通过多维点过程建模离散事件流，可实现事件预测，包括缺失数据情况下的预测。

Dec, 2016

提出了一个模型无关的框架来创建深度神经网络中激活的表示，使用节点特定的直方图来计算观察到的激活的 p 值，从而减少内存使用并解决隐私问题。

Dec, 2023