通过社区检测算法示范函数磁共振成像分析流程的可变性，发现具有相似结果的子集，尤其是在共享特定参数的情况下，跨参与者组拥有相对稳定性；通过可视化这些子集之间的差异，描述了流程参数的影响并在分析空间中推导出一般关系。

Dec, 2023

本文讨论了使用 fMRI 数据进行分析的过程，从原始数据的获得到在定位大脑活动、推断大脑连通性和预测心理或疾病状态方面的应用，并强调统计学在这一领域中的关键作用。

Jun, 2009

通过引入 Smooth DP 和预处理算法的有界敏感性，提出了一个评估非私有数据依赖预处理算法额外隐私成本的通用框架，为多个数据依赖预处理算法（例如数据插补、量化、去重和主成分分析）与多个 DP 算法的组合提供明确的整体隐私保证。

Mar, 2024

该篇论文介绍了一种基于矩阵分析技术的脑神经影像识别方法，可以揭示出参与研究的个体身份、任务和任务实施效果等信息，但也带来了隐私保护方面的担忧。

Aug, 2019

本研究探讨采用神经成像管道 end-to-end 优化整个图像采集和处理流程，以便提供可靠的取证分析。本研究的实验表明，所提出的方法将图像操纵检测准确率从 45% 提高到了超过 90％，这为进一步研究构建具有显式取证保证属性的更可靠的成像管道提供了鼓励。

Dec, 2018

本论文提出了一种名为 “合成功效分析” 的框架，通过在观察到的认知过程的条件下使用隐式生成模型合成脑成像数据，以实验性地探究其在样本大小选择方面的性能，结果表明，这种方法可以作为先导数据收集的低成本替代方案。

Oct, 2022

该论文旨在弥补当前机器学习流程中，尤其是数据预处理阶段中存在的隐私保护鸿沟，该研究使用一种基于统计学方法的隐私侵犯检测框架来实验性地测量机器学习管线的隐私级别，并应用这一新创建的框架来表明针对不平衡数据的重抽样技术会导致模型泄露更多隐私，强调了需开发私有的预处理技术。

Sep, 2021

本研究探讨了在神经影像学中处理数据集偏差的方法，通过结合 17 项研究的 35320 个磁共振成像脑图像来研究偏差，并提出数据集谐波化的方法以消除偏差及控制混淆因素。

Feb, 2020

本文通过 metalearning 方法研究了机器学习中预处理数据的作用以及何时应该运用预处理器在 ML 管道设计中发挥作用，实验发现预处理器可以提高 ML 管道的性能。

Oct, 2018

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