本文提出了神经潜在变量模型中的特征共享及对集合检测问题的解决方法，最终应用在网格细胞数据集上，以单一的集成建模框架恢复不同集合，推断环形潜在变量并预测神经调谐曲线。

Oct, 2022

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

神经元的高度变化动力学，提出了一种基于自监督学习的方法，通过对种群记录进行置换和不变总结对个体神经元赋予时间不变性表示，对神经元活动进行动力学建模，可实现对转录组标签的预测，大约提升了 35% 的预测转录组亚类别的准确性，并且相对于最先进的方法提高了 20% 的类别预测准确性。

Nov, 2023

哺乳动物中枢神经系统的神经元群体通过尖峰列作为媒介进行通信，而这些神经元群体的精确编码和操作尚未被发现。本研究通过一种现代的机械模型探讨信息的表示和操作，并发现神经元群体可以通过有限凸锥的代数精确表征和操作，充当低级别编程语言的功能性操作符。当这些群体相互连接时，它们呈现简洁而强大的代数表达式，使其能够实现特化、泛化、新颖性检测、降维、逆向建模、预测和关联记忆等众多操作。此研究凸显了矩阵嵌入在认知科学和人工智能等领域推动我们理解的潜力，这些嵌入提升了概念处理和分层描述的能力。

Sep, 2023

运用深度学习方法解读神经活动的研究表明，通过扩大模型规模和数据集规模，我们能更好地理解神经活动的特征。本文介绍了一种用于对各种大规模神经活动数据进行建模的训练框架和架构，通过将数据集中的个体脉冲进行分词来捕捉神经活动的细微时间结构，并利用交叉注意力和 PerceiverIO 主干构建神经群体活动的潜在分词。通过这种架构和训练框架，我们构建了一个大规模的多会话模型，利用来自七只非人灵长类动物的大型数据集，跨越 158 个不同的记录会话、27373 个神经单元和 100 多小时的记录。在许多不同的任务中，我们证明了我们的预训练模型可以快速适应新的、未知的带有未指定神经元对应关系的记录会话，以最小的标签实现少样本性能。这项工作为构建分析神经数据的深度学习工具提供了一种有力的新方法，并为规模化训练开辟了明确的路径。

Oct, 2023

本文介绍了一种基于递归神经网络（RNN）的神经元群体动态行为的建模方法，该方法经过 macaque 大脑皮层的四个数据集的测试，效果较其他模型更好，其中，RNN 的自回归偏差是实现最高水平性能的关键因素之一。此外，提出了一个新的混合架构，将 RNN 与自我关注补充在一起，从而进一步提高性能。

Apr, 2023

本文提出使用脑机接口的域泛化方法，以解决在更生态有效的情景下观察到的神经活动模式是否可以用于准确推断潜在状态、相关认知过程或个体近端行为等问题，并将其应用于驾驶相关任务中，从而表现出实验设计的生态效度，并为了解复杂任务期间观察到的神经活动和行为之间关系提供了一个方法。

Apr, 2023

通过神经群体几何的角度研究神经网络的内部机制，利用统计物理学中的流形容量理论和高维统计学中的流形对齐分析，定量表征深度神经网络和猕猴神经记录中不同学习目标导致的组织策略差异，并展示这些几何分析与任务相关信息的解码能力之间的联系。这些分析为在神经网络中桥接机制和规范性理论提供了一个重要方向，可能在机器学习和神经科学中开辟了许多未来的研究途径。

Dec, 2023

该研究使用流形学习方法 UMAP 和自编码器 (AE) 分析编码大鼠实验迷宫中欧几里德或基于图的位置的海马体细胞群的神经活动，结果表明 AE 反映了真实的几何结构，支持使用 AE 架构解密大脑中的空间编码几何结构。

Nov, 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