Sep, 2023

神经表征的拓扑和几何

PDF
TL;DR探索了拓扑脑表示相似性分析（tRSA），一种推广了脑表示相似性分析（RSA）的几何与拓扑摘要统计的家族，该方法可用于表征脑表示的拓扑特征并在噪音和个体变异性方面具有鲁棒性，在模拟和功能性磁共振成像（fMRI）数据上进行了评估。
neurosciencebrain representationstopological representational similarity analysisfunctional mrineural network layers
发现论文，激发创造
  • 神经表征的广义形状度量

    为了理解生物和人工神经网络的操作，研究者们需要一个标准化的工具集来量化其结构等因素对神经表征的影响，这篇论文提出了一族量化表征不同神经网络之间相似性的度量空间，利用这个框架使得神经网络表征可以整合进任意的机器学习方法中，然后利用大规模生物和深度学习数据集来验证这些方法，最终找出了神经表征之间与结构和性能之间的关系。

    Oct, 2021

  • 随机神经网络的表征差异度量空间

    通过推广之前提出的形状度量方法，我们定量地比较了神经表示中的随机性差异，并发现神经生物学表示的随机几何形状分别类似于未经过训练和经过训练的深度网络表示。

    Nov, 2022

  • 表征拓扑差异：用于比较神经网络表征的方法

    提出了基于 Representation Topology Divergence (RTD) 的数据表示比较方法，该方法是 few TDA-based practical methods 之一，可以应用于真实的机器学习数据集，用于对计算机视觉和 NLP 领域中的神经网络表示进行分析。

    Dec, 2021

  • 神经网络层表示的拓扑数据分析

    该论文研究神经网络层内部如何保留拓扑特征。使用拓扑数据分析技术，计算了一个简单前馈神经网络的层表征在类克莱因瓶扭结构变化下的拓扑特征。在较早层，网络看起来近似于同胚，但在较深层时数据的拓扑结构被明显更改，导致持久同调无法计算这些特征。但在具有双射激活函数的网络中，类似的拓扑特征似乎可以更持久地存在。

    Jul, 2022

  • 深度图像理解的拓扑表示学习

    通过拓扑数据分析法，我们提出了一种新颖的深度学习框架，以更好地分割和不确定性评估复杂的细微结构，如生物医学应用中的神经元、组织和血管，为可扩展的标注提供了有力工具。

    Mar, 2024

  • 语言的神经和符号表示的相关性

    本文介绍了它们称为 RSA 和 TK 的两种基于表示相似性分析和树核的分析方法，这些方法可以直接量化神经激活模式编码的信息与句法树等符号结构所表示信息的相对强度，验证了这些方法对于具有明确定义语法和语义的简单合成语言的情况，然后将这些方法应用于将英语句子的神经表示与其从属树相关联。

    May, 2019

  • 复发射神经网络的异质学习动力学的拓扑表示

    该论文介绍了一种使用 RTD（Representation Topology Divergence）比较 Recurrent SNN 模型之间分布式表示差异的新方法，探究了使用 STDP 训练的 RSNN 的学习能力以及异质性在突触动力学学习中的作用。

    Mar, 2024

  • 贝叶斯实验设计及其在面孔差异性判断中的应用：用有争议的刺激区分表征几何形状

    本研究提出了贝叶斯实验设计方法，用于综合刺激集，以高效地区分候选神经网络模型，并为模型比较而设计实验的表示相似性分析。我们的结果表明，与识别、分类或自编码相同架构的神经网络训练在反演 3D 脸部模型渲染器方面更符合人类表现。

    Nov, 2022

  • 神经表征的拓扑分类的秩分解

    神经网络的拓扑结构及同调群，以及仿射映射与任务连续性的关系的研究。

    Apr, 2024

  • 黑盒遇见黑盒：神经语言模型和大脑的表征相似性和稳定性分析

    该论文定义和应用了一种直观的分析神经语言模型的方法 —— 表征稳定性分析（ReStA），并使用 ReStA 和 RSA 对四个神经语言模型进行了研究，评估了它们的内部表征对先前上下文的敏感性，揭示了深层语言处理的位置，并探讨了 fMRI 大脑成像数据中的语言神经过程。

    Jun, 2019