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

在这篇论文中，我们提出了一种自动编码器架构（WLSC），其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类，生成了一组多样的人工感受野，与 V1 的灵长类动物数据具有相近的一致性，而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化，即我们为之后的皮质阶段引入了弱的聚类偏差，这是已知的功能性和空间分离（即拓扑）发生的地方。这些结果表明，在对 V1 及其之后的特征分离进行描述时，对感受野和放电率进行空间正则化至关重要。

Nov, 2023

该研究使用神经网络学习 32 种动物的特征向量，并基于继承表示原理构建了一个 “动物空间” 的认知地图，该地图能够使用插值技术准确地表示完全新的或不完整的输入，并在不同的认知地图级别中呈现出不同的特征。

Oct, 2022

该论文提出了一种基于自编码器的结构稀疏方法，可以更好地匹配灵长类数据，使用加权 L1 约束的自编码器目标函数保留了稀疏编码框架的核心思想。

Feb, 2023

本文介绍了具有鉴别性的循环稀疏自编码器模型，通过反向传播算法进行训练，在最小化无监督稀疏重构误差的基础上，增加一个有监督的分类鉴别项，可以实现深度网络的全部性能，并显著减少可训练参数数量。通过对输入原型进行分类抽象，学习出了分层的编码结构，小规模的鉴别性循环稀疏自编码器在 MNIST 数据集上表现出色。

Jan, 2013

本研究通过使用图变分自编码器和有监督对比学习的方法，对神经系统疾病背景下弥漫张量成像数据集中的海马形态变异进行了细致研究，以提高其可解释性和分离出与年龄和疾病存在相关的两个独立潜变量。通过对合成的 3D 环面网格数据和真实的 DTI 海马数据集进行评估，我们的有监督分离模型在离散度分数方面优于其他先进方法，对多发性硬化症（MS）患者的年龄组和疾病状态进行了区分，并显示了不同年龄下 MS 人群海马体积变化的结果，与当前神经成像学文献一致。这项研究对于了解不同年龄组 MS 人群的神经系统疾病与海马形态变化之间的关系提供了有价值的洞察。

Mar, 2024

使用神经网络学习多尺度接班人表达，进而构建认知地图和神经网络接班人表达的结构化知识表示形式，实现了在监督学习、强化学习和非空间任务中精确学习并逼真模拟了海马 - 内部子网所观察到的神经元放电模式，为克服深度学习在人工通用智能方面的一些缺陷提供了一种有前途的途径。

Feb, 2022

通过训练循环神经网络在 2D 区域中进行导航任务的方式，我们发现神经网络中出现了类似于网格细胞、边界细胞和其他空间相关细胞的响应模式，这些表现形式与实验观察到的现象相吻合，表明在神经回路中，类似于网格细胞和边界细胞等细胞对于有效表示空间是自然的解决方案。

Mar, 2018

介绍了一种使用离散稀疏自编码器在大型语言模型中发现可解释电路的高效且健壮的方法，通过训练稀疏自编码器，我们能够从仅有的正例中直接识别与电路相关的注意力头，实现了较高的准确率和召回率，同时降低运行时间。

May, 2024

本文描述一种基于空间图像自编码器和嵌套时间自编码器的新型时空视频自编码器，通过最小化重构误差来训练整个系统，以提取有用于运动估计的特征，其中应用之一为使用光流传播通过标签对视频进行弱监督语义分割。

Nov, 2015