Mar, 2024

CBGT-Net：面向流数据的鲁棒分类的神经构型

PDF
TL;DR这篇论文描述了 CBGT-Net，这是一个受到哺乳动物大脑中的皮层 - 基底节 - 丘脑（CBGT）回路启发的神经网络模型。与传统的神经网络模型不同，该模型在观察到的数据流中学习在达到足够证据标准后产生输出。我们通过两个图像分类任务对该模型进行评估，其中模型需要根据从图像中提取的一系列小块来预测图像类别。我们证明 CBGT-Net 相比于单个小块进行分类的模型和利用 LSTM 层进行分类的模型，具有更高的准确性和鲁棒性。
cbgt-netneural network modelevidenceimage classificationlstm layer
发现论文，激发创造
  • TiBGL: 基于模板的脑图学习用于功能性神经成像分析

    提出了一种称为 TiBGL 的新型脑图学习框架，通过模板诱导的脑图学习解决了功能连接数据中的噪声和冗余信息问题，提高了脑部障碍诊断的性能并揭示了与脑部疾病相关的连接模式。

    Sep, 2023

  • CCNETS: 基于大脑启发的新型方法，用于增强不平衡数据集中的模式识别

    CCNETS 是一种基于生成模型的分类器，针对模式识别中不平衡数据集的数据生成挑战，通过模拟大脑信息处理的构造，有效地生成高质量数据集并提高分类性能。在应用于 “欺诈数据集” 时，CCNETS 表现出卓越的分类能力，通过 F1 分数达到 0.7992，优于传统模型如自编码器和多层感知机。CCNETS 在数据生成和模式识别方面具有巨大的潜力，并在机器学习中克服了当前数据集所面临的挑战，推动以脑启发方法的机器学习的进展。

    Jan, 2024

  • TCCT-Net: 通过行为特征信号进行快速高效的参与度估计的双流网络架构

    为了解决在设备实时使用时由于复杂架构、大量输入数据、计算能力和推理时间等限制，将嵌入系统的挑战，本研究提出了一种新颖的两流特征融合 “张量卷积和卷积变换网络” (TCCT-Net) 架构。该架构在 EngageNet 数据集上得到了验证，相比基准模型只使用两个行为特征（头姿势旋转），提出的方法表现出更好的性能。此外，对比分析显示 TCCT-Net 架构在推理速度方面相较于最先进的基于图像的循环神经网络 (RNN) 方法获得了数量级的提升。

    Apr, 2024

  • PTGB：面向脑网络分析的预训练图神经网络

    本研究提出了一种针对大规模脑网络数据的 GNN 预训练框架 PTGB，能在没有特定任务标签的情况下学习脑网络的内在结构，并易于适应各种下游任务，从而实现对脑网络结构复杂性的自适应处理及临床神经疾病诊断的快速准确。

    May, 2023

  • 多头图卷积网络用于结构连接组分类

    本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和 (图形和非图形) 深度学习。

    May, 2023

  • 整体脑连接映射的多重图一体化方法比较研究

    本文提出了利用 CBT（连接性脑模板）这一工具来捕捉人类大脑网络的代表特征和独特之处，通过使用 DGN（深度图规范化器）等工具和方法，成功构建出一个统一的全貌式脑网络表示，并在多个数据集上进行了验证。

    Apr, 2022

  • GTNet：基于树的深度图神经网络架构

    提出了一个图树网络（GTNets）的深度图学习架构，并提出了两个图学习模型（GTAN 和 GTCN），在几个流行的基准数据集上实验证明了其良好的性能。

    Apr, 2022

  • EEG_GLT-Net: 优化实时运动想象信号分类的脑电图网络

    EEG_GLT 算法通过构建邻接矩阵的创新技术，提高了脑机接口中的执行命令准确性和计算效率，适用于实时分类需要大量计算资源的脑电运动想象信号。

    Apr, 2024

  • 神经调控门控变压器

    我们介绍了一种新颖的架构 —— 神经调制门控变压器 (NGT)，通过乘性效应实现变压器中的神经调制。我们将其与基准进行比较，并证明其在 SuperGLUE 基准验证集中获得了最佳平均性能。

    May, 2023

  • BIT：生物启示追踪器

    本文介绍了一种基于仿生学模型的视觉跟踪方法，该方法模拟大脑视皮层的视觉认知机制，采用浅层神经元和高级学习机制，加速了实时学习和检测，实验证明该方法具有较高的效率、精度和鲁棒性。

    Apr, 2019