- 从神经数据推断随机低秩循环神经网络
我们提出使用变分顺序蒙特卡洛方法拟合随机低秩递归神经网络，验证了该方法在多个数据集上的有效性，并展示了对具有分段线性非线性性质的低秩模型进行高效识别的方法，可为大型递归神经网络的推断动态分析提供可行性。
- 优化用于视觉任务的变分自编码器潜在表示中的不确定性
深度学习方法在计算神经科学中作为建模工具变得越来越重要，本文系统地研究了变分自编码器的不确定性表示，提出了一种新的方法解释偏离变分自编码器 (EA-VAEs)，并发现它在各种情况下能够产生有意义的不确定性报告，可在计算神经科学的感知模型和计 - 基于脑灵感的计算模型用于类人概念学习
概念学习是人类认知的基本方面，与分类、推理、记忆和决策等心理过程密切相关。通过研究计算神经科学和认知心理学的发现，本文发现大脑对概念的表示依赖于多感官表示和文本派生表示两个关键组成部分，并通过语义控制系统协调这两种表示，最终实现概念的获取。 - 高效信息传播和特征选择的多功能中心模型
本文介绍了一种基于数学模型的中心枢结构，旨在研究其在生物和人工智能系统的信息处理、计算神经科学和循环神经网络中的应用，并通过机制分析证明了该结构能够提高模型性能。
- 强壮的四足机器人神经动力学的群体层面分析
利用计算神经科学分析机器人运动控制的人口群体行为，研究表明在强迫状态和拓扑结构之下，循环状态动力学的结构化和低维的特点与类人研究吻合，振荡系统在可控的神经扰动下，更强地依赖感官输入。
- 基于感知器神经网络的仿生混沌传感器：计算神经科学概念与应用
该研究利用感知器神经网络构建了基于生物启发的混沌传感器，在计算神经科学领域具有一定应用价值。
- 通过非局部先验进行贝叶斯尖峰列车推断
神经科学的进步使得研究人员能够同时测量行为动物中大量神经元的活动。我们提出了一种基于混合半非局部先验密度和点质量的贝叶斯方法，用于从荧光迹线中确定神经元的确切尖峰，以实现对神经活动的近似。与基于优化的频率方法相反，我们的方法能够自动量化与尖 - 使用协方差神经网络进行可解释的大脑年龄预测
本研究提出了一种基于 VNN 的大脑年龄预测框架，可通过解释获得对年龄差异的洞察力，包括对 Alzheimer 疾病中引起年龄差异的贡献的识别和脑部区域的解释。
- ICLR实时变分学习神经轨迹及其动力学
本研究介绍了一种指数家族变分卡尔曼滤波器，该在线递归贝叶斯方法针对任意似然函数进行推断，利用常数基础测量指数家族对潜在状态随机性进行建模，以推断潜在轨迹并同时学习生成它们的动态系统。
- 基于归一化流的 SBI 算法验证诊断
本文提出基于正则化流（Normalizing Flows，NF）的多维条件（后验）概率密度估计的易于解释的验证诊断方法，并提供了基于局部相容性结果的理论保证。该工作可用于检查、分析和保证估计器的一致行为，并以计算神经科学的上下文中涉及紧密耦 - MM组合式主动推理 II：多项式动力学。近似推理原则
本文通过引入活动，将统计博弈与玩它们的动力系统范畴化，并使用近似推理原理建立起复合理论，最终构建了微分和动态的‘分层推理系统’的放大分类。此外，还描述了‘externally parameterized’ statistical games - 自组织映射神经网络算法在固态加工异种合金断裂位置确定中的应用
本研究利用计算神经科学的方法，使用自组织映射神经网络来识别摩擦搅拌焊接中异种材料的断口位置，即热机械影响区的铜或铝。结果表明，该算法可以以 96.92% 的准确率预测断裂位置。
- 使用位置细胞学习灵活奖励寻求行为的计算理论
本文提出了一种计算理论，通过使用混合高斯分布模拟场所细胞的活动，并通过连续时间马尔科夫链的转移概率矩阵。通过学习环境与奖励的关联来提高老鼠行为的灵活性，实验结果表明，相较于深度 Q 网络处理的神经启发式强化学习算法，该理论可以显著提高老鼠学 - 生物和人工智能大脑中的贝叶斯时间感知
本文综述时间知觉领域的最近进展并讨论贝叶斯处理在构建时间模型中的作用。
- 卷积神经网络作为视觉系统模型：过去、现在和未来
本综述介绍了卷积神经网络（CNN）在计算神经科学中作为良好模型的特征，以及这些模型如何在理解和实验生物视觉方面提供启示，并讨论了在基本物体识别之外的视觉研究中使用 CNN 的新兴机会。
- 用广义线性模型捕获单个神经元的动态可重现性
研究发现，泊松广义线性模型可用于表征神经元的动力学行为，包括单峰和多峰放电、不同兴奋类型和双稳态等，从而适用于单神经元和群体响应属性的动力学和统计学研究。
- 学习视觉注意力生成模型
通过利用关注机制的生成学习框架，可以将图像中感兴趣的区域传递给生成建模的标准表征，并集中精力在感兴趣的对象上，从而建立新面孔的生成模型。