Oct, 2023

脑基因转录的压缩表示

PDF
TL;DR脑的体系结构过于复杂，需要使用压缩表示来将其变化投影到一个紧凑且可导航的空间中。通过比较基于线性和非线性方法的压缩表示，我们发现深度自编码器在性能和目标领域的各个指标上都表现出卓越的性能，从而支持将其用作代表人脑转录模式的参考标准。
发现论文，激发创造
  • 基于结构化图像的快速聚类方法，用于可扩展的统计分析

    本文旨在通过探究基于快速聚类的交替方案，用于替代耗时的函数评估来降低记忆需求，从而处理大规模的脑成像数据。结果表明，基于聚类的压缩在提高之后的估计步骤的精度方面有良好的效果，能够用于分析大型数据集。

    Nov, 2015

  • 基于贝叶斯隐式神经表达的压缩

    本文提出了一种基于变分贝叶斯神经网络的数据压缩方法，并使用相对熵编码代替量化和熵编码以优化 $eta$-ELBO 的速率失真性能，同时通过迭代算法学习先验权重分布并采用渐进式细化过程来有效提高压缩性能。实验证明，该方法在图像和音频压缩方面具有强大的性能，同时仍保持简洁。

    May, 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

  • 矩阵分解在 fMRI 数据中的性能评估

    本研究通过应用不同的矩阵分解方法于全脑功能磁共振成像数据的神经活动，研究了整个人脑中稀疏编码的有效性，结果表明稀疏编码假设在整个人脑信息表示中是成立的。

    Dec, 2023

  • 空间转录组学的潜在空间推理

    通过使用概率机器学习方法，将细胞的遗传表达信息和细胞在组织样本中的空间坐标映射到一个联合潜变量空间中，可以获得完整的遗传表达和空间信息，从而更好地理解细胞过程和通路。

    Nov, 2023

  • 动态带宽下的任务感知分布式源编码

    该研究利用名为 NDPCA 的分布式压缩框架，将来自多个传感器的数据有效地压缩到任何可用带宽，以提高多视图机械臂操作和卫星图像目标检测成功率。

    May, 2023

  • 基于 fMRI 的大脑状态推断的监督聚类方法

    提出一种基于多个脑区功能磁共振成像信号的预测方法，通过引入层次聚类和特征聚合实现降维，从而提高了预测准确性，并推断了与回归或分类任务相关的脑区的权重分配。

    Apr, 2011

  • ECNR: 高效压缩的时间变动容积数据神经表示

    本文介绍了一种高效的压缩神经表示（ECNR）解决方案，通过多尺度结构和深度压缩策略，改进了 neurcomp 以处理大规模时变数据集，结果表明 ECNR 是一种有前景的科学数据压缩替代方法。

    Oct, 2023

  • 神经群体动态和几何的可解释统计表征

    本研究提出了一种基于统计学习的无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统，该方法提供了鲁棒的几何感知或几何无关的表示，可用于测量轨迹的基础上进行无偏的动力学比较，并设计了一种具有最先进准确性的解码算法。

    Apr, 2023

  • 近似 UMAP 允许高速在线可视化高维数据流

    在脑机接口领域，我们引入了一种名为近似 UMAP（aUMAP）的新方法，用于实时推断，其结果显示该方法能够在减少投影速度一个数量级的同时维持与标准 UMAP 相同的训练时间和投影空间。

    Apr, 2024