Jan, 2024

视网膜中的信号处理：可解释的图分类器预测神经节细胞响应

PDF
TL;DR从数据中学习可解释的基于图的分类器以预测视觉刺激下的节细胞发射；通过学习正半定 (PSD) 距离矩阵来定义图节点 (视觉事件) 之间的马氏距离，从而导出边权和可进行二元分类的组合图；通过图的半定规划来优化距离矩阵的目标，结合 Gershgorin 圆盘理论和线性化的 Gershgorin 圆盘完美对齐法高效求解；学习到的距离矩阵提供了可解释性，重要特征通过对角线确定并可以从非对角线元素推断出相互关系；该快速度量学习框架适用于其他需要解释的预选特征的生物系统。
ganglion cellsdeep neural netsgraph-based classifiermahalanobis distancesmetric learning
发现论文，激发创造
  • 利用深度学习网络揭示视网膜的结构组成

    本研究用深度学习卷积神经网络尝试预测视神经系统中的神经元反应，结果显示，CNN 能学到视网膜电路的生物学组成，且这些特征可以显示为视网膜节细胞传统感受野的空间瓦片，为研究神经回路的结构奠定了基础。

    Nov, 2017

  • 深度学习模型对自然场景的视网膜反应

    本文主要研究使用深度卷积神经网络模型对视网膜对自然场景的反应进行建模，发现其能够准确地描述神经电路对自然刺激的反应，并探究了卷积神经网络模型的内在结构和功能特点，在数据量少、样本分布不同等情况下表现较优，有助于从神经电路的角度解析神经科学中的计算问题。

    Feb, 2017

  • 感觉器官群体中的预测信息

    这项研究展示了高效预测计算从视觉系统的最早阶段开始，视网膜神经节细胞组可以有效地携带关于其视觉输入未来状态的信息，并且可以压缩到一定的极限，并被下游的预测神经元编码，并呈现有趣的特征选择性。

    Jun, 2013

  • 使用条件可逆神经网络优化视网膜假体刺激

    利用归一化流条件可逆神经网络来优化视网膜植入刺激，以解决电极阵列低分辨率和对不同神经节细胞类型的缺乏特异性所带来的亚优刺激问题。流式可逆神经网络及其条件扩展相比其他方法（如平凡降采样、线性模型和前馈卷积神经网络），在使用经过生理验证的仿真工具进行各种指标的视觉重建方面，效果更佳。

    Mar, 2024

  • 从深度学习到神经科学的机械理解：视网膜预测的结构

    通过对感知神经元输入输出映射建模的深度前馈神经网络提出新的计算机制提取系统方法，将此方法应用于视网膜深层网络模型。研究揭示了视网膜的预测特征提取以及各种时空刺激下信号偏离期望的计算机制，为神经科学深度学习研究提供了　新的理论基础和研究方向。

    Dec, 2019

  • 功能细胞类型鉴定的最具区分性刺激

    通过使用深度预测模型的基于优化的聚类方法，我们成功地发现了小鼠视网膜、狨猴视网膜和猕猴 V4 视觉区中的功能性神经元簇，这些最有区别性的刺激可以快速准确地指定功能性细胞类型。

    Nov, 2023

  • 高效視覺編碼： 從視網膜到 V2

    本文提出了一种基于改进的 RICA 模型的新方法，通过使用 sPCA 算法，模拟了人类视觉处理中不同层级的感受野，可以帮助理解人类视觉的功能和实现计算机视觉的研究。

    Dec, 2013

  • Graph-in-Graph (GiG): 学习非欧几里德域的解释性潜在图，用于生物和医疗应用

    本文通过提出一种名为 GiG 的神经网络结构，并利用输入数据样本及其潜在关系的图表示，用于蛋白质分类和大脑成像应用。利用学习过程中 end-to-end 的参数化模型及潜在的连接结构，实现了在图样本内部以及跨样本的消息传递，并增加了度分布损失以帮助正则化预测的潜在关系结构。最后，所得到的潜在图能够表示患者群体模型或分子簇的网络，提供了在特定健康领域的解释性和知识发现价值。

    Apr, 2022

  • 从视网膜到皮层的早期视觉表征的统一理论：基于解剖约束深度卷积神经网络

    通过使用深度卷积神经网络模型，本文发现视觉系统中的不同神经约束可以导致视觉处理的不同阶段产生不同的表征模式，并预测小型脊椎动物的视网膜应执行非线性的特征检测计算，而大型动物的视网膜应当基本以线性方式编码视觉场景以响应广泛的刺激。

    Jan, 2019

  • 在人工和生物神经系统中识别可解释的视觉特征

    在神经网络中，单个神经元往往是 “可解释的”，因为它们代表了个别直观有意义的特征。然而，许多神经元表现出混合选择性，即它们代表多个不相关的特征。最近的假设提出深度网络中的特征可能通过多个神经元以非正交的方式进行 “叠加”，因为自然数据中可解释的特征数量通常大于给定网络中的神经元数量。因此，我们应该能够在激活空间中找到与个别神经元不一致的有意义方向。在这里，我们提出了（1）一种自动化方法，用于量化视觉可解释性，并与人类心理物理学对神经元可解释性的大型数据库验证，以及（2）一种在网络激活空间中找到有意义方向的方法。我们利用这些方法在卷积神经网络中发现了比个别神经元更具直观意义的方向，通过一系列分析进行了确认和调查。此外，我们将相同的方法应用于大脑中两个最近的视觉神经响应数据集，并发现我们的结论在大部分转移到真实神经数据上，这表明大脑可能使用了叠加。这也与去纠缠有关，并在人工和生物神经系统中提出了关于稳健、高效和分解表示的基本问题。

    Oct, 2023