ICMLAug, 2023

神经潜在校准器：用于学习复杂自然神经数据表示的跨试验校准

PDF
TL;DR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。
neural implementationcomplex human behaviorsunsupervised learningbehavioral coherenceneural trajectories
发现论文，激发创造
  • 基于对比自监督学习中的时间特征对齐的人体动作识别

    本研究中，我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达，提出了一种用于人类活动识别的动态时间规整 (DTW) 算法，强制特征在时间维度上对齐。我们的实验结果显示，该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力，并在半监督学习中明显优于监督模型。

    Oct, 2022

  • 深度集合脑电解码器中的潜在对齐

    基于深度学习模型和统计领域适应技术，本研究介绍了获得 EEG 转移学习竞赛冠军的 Latent Alignment 方法，并将其表述为应用于给定受试者试验集的深度集合；实验结果表明，在深度学习模型的较晚阶段进行统计分布对齐有助于分类准确性，同时研究了深度学习模型中可能产生虚假改善结果的类别区分偏差以及类别不平衡对对齐的影响。

    Nov, 2023

  • 潜在动力学中的时空结构提取与恢复：扩散模型对齐

    该论文提出了一种基于扩散模型的方法，用于在跨域和跨主体领域中提高神经人口活动的对齐质量，维护潜在动态的时空结构，并实现超过现有方法的对齐质量。

    Jun, 2023

  • ReAlnet: 通过人脑神经表征对齐实现更加人类大脑类似的视觉

    通过对非侵入式脑电图记录进行对齐，我们提出了 “Re (presentational) Al (ignment) Net”，这是一个与人类大脑活动对齐的视觉模型，其与人类大脑表征更加相似，从而在人工智能领域取得了突破。

    Jan, 2024

  • 学习可学习的潜在嵌入用于行为和神经联合分析

    CEBRA 使用行为和神经数据生成一致高性能的潜在空间，并发现了关于其空间映射、解释复杂的影像特征和自然影片的高精度解码。

    Apr, 2022

  • 神经多序列对齐技术（NeuMATCH）

    本文提出了一种基于神经网络的、端到端的异构数据（视频到文本）对齐方法，采用长短时记忆（LSTM）模块栈移动数据进行对齐操作，避免了已有方法中的局限性和缺陷，并在半合成和实际数据上取得了领先于现有技术的表现。

    Feb, 2018

  • 语义对齐下的潜在空间翻译

    通过简单的转换，我们的研究展示了神经网络模型中学习到的表示可以在不同的预训练网络之间进行转化，从而有效地连接编码器和解码器，并实现在多模态设置下的出色分类性能。

    Nov, 2023

  • 一种用于跨语言词对齐的判别式神经模型

    利用新型鉴别性词汇对齐模型，结合变压器机器翻译模型，在少量标注例子下评估英汉及英阿拉伯语言对齐，相比无监督基线模型性能得到提升（11-27 F1）。外部方面，通过对中文命名实体识别（NER）标签的投影，我们验证了对齐模型的有效性。最后，进行消融分析和注释实验，支持未来手动对齐的使用可行性和实用性。

    Sep, 2019

  • 通过本地对齐分布式表示进行循环神经网络的持续学习

    本文提出了一种基于局部表示对齐算法训练的并行时间神经编码网络 (P-TNCN)，用以解决通过时间反向传播所存在的困难和问题，比如序列建模基准测试中表现优异，具有零 - shot 适应能力和在线连续序列建模的能力。

    Oct, 2018

  • 适应和对齐：生成模型潜空间对齐的持续学习

    利用生成模型中的潜在表示对神经网络进行迭代学习的 Adapt & Align 方法在论文中被介绍。该方法通过将生成模型的潜在表示对齐，解决了神经网络在重新训练时由于来自不同分布的额外训练数据而出现的性能突然下降的问题，并通过利用全局模型对局部模型的潜在表示进行整合，将知识转化为可用于下游任务（如分类）的方法进行连续知识整合。

    Dec, 2023