- 人工神经网络中的潜在通信
通过识别神经表示、潜在空间、潜在交流、相对表示和数据模态关键词，研究发现神经网络的潜在表示具有普适性和可重用性，可以在不同模型之间传递和转化，实现生成、分类和检索等任务，跨图像、文本、音频和图形等各种数据模态。
- 一般非刚性场景三维重建的最新趋势
重建现实世界的模型，包括三维几何、外观和场景的运动，是计算机图形学和计算机视觉的核心问题。该研究汇总了最新的技术，并讨论了非刚性场景的三维重建、场景分解和编辑、通用建模等内容，同时探讨了其中的限制和挑战。
- 迈向被动听取语音期间脑活动的解码
研究目的是调查言语知觉的复杂机制，并最终解码在听取言语时发生的大脑电生理学变化。我们尝试使用深度学习方法从颅内脑电数据中解码听到的言语，目标是促进言语合成的脑 - 机接口技术的发展，并为言语知觉的认知过程提供额外的视角。这一方法不同于传统的 - 神经种群几何和任务共享潜在结构的最优编码
人和动物可以认识到环境中的潜在结构，并将这些信息应用于有效地导航世界。本论文开发了一个分析理论，将神经群体活动的中等统计特性与多任务学习问题上的泛化性能相联系。利用这个理论，我们发现实验观察到的因素化（或解缠）表示自然地成为多任务学习问题的 - 个体间自然神经科学的共享脑电时空表征对比学习
利用对比学习的表现力，本研究通过 Electroencephalogram (EEG) 技术构建了一种共享时间空间脑电图（EEG）表示的通用框架，被称为 CL-SSTER。通过在不同个体之间最大化相似度的神经网络，CL-SSTER 能产生可 - 度量学习编码模型识别 BERT 表示中语言特征的处理特征
通过引入度量学习编码模型（MLEMs）作为一种新方法，本研究运用 MLEMs 将从 BERT 提取的神经表示应用于跟踪各种语言特征，并发现：（1）语言特征被排序，不同层次中句子的表示有不同程度的分离；（2）神经表示按层次组织，某些层次中，表 - 探索神经稳健性机制：探究几何与频谱之间的桥梁
通过权重、Jacobian 和谱规范化评估性能和对抗性鲁棒性，研究了表示平滑性和谱之间的关联，为未来探究动物和人工系统中的幂律谱和最优平滑编码机制奠定基础，从而更好地理解实现哺乳动物大脑中鲁棒神经网络和开发更加稳定可靠的人工系统的机制。
- 三维生成的进展：综述
生成 3D 模型是计算机图形学的核心，并且已经成为几十年研究的重点。随着先进的神经表示和生成模型的出现，3D 内容生成领域正在快速发展，使得越来越高品质和多样化的 3D 模型得以创建。本文调查了 3D 生成方法的基本方法，并建立了一个结构化 - HeadCraft: 建模用于动态三维面模型的高细节形状变化
通过神经表征，当前人类头部建模的进展允许生成逼真的 3D 头部模型。然而，构建完整的高保真度头部模型，并在明确控制动画的同时保留细节仍然是一个问题。我们引入了一种生成模型，用于在可显式动画和高细节保存之间创建详细的 3D 头部网格。
- 脑功能对新受试者的视觉语义解码起促进作用
采用深度学习和脑解码技术，本研究通过跨参与者对齐脑响应视频和静态图像，提高了脑解码性能，并将神经表征与脑解剖结构相一致，为扩展神经成像数据集和增强有限脑记录的个体解码奠定了基础。
- ImFace++：一种具有隐式神经表示的复杂非线性三维可塑人脸模型
本研究提出了一种名为 ImFace++ 的新型 3D 可塑性面部模型，通过使用隐式神经表示来学习一种精细连续空间，并通过构建两个明确定义的变形场和一个优化的神经融合场来模拟面部的复杂形状、个体身份和表情变化，进而在面部重建和对应精度方面显著 - 神经网络中从损失平坦性到压缩表示的简单连接
深度神经网络的泛化能力在参数空间的损失景观形状和特征空间（即单位活动的空间）的表示流形结构两个不同的方法中已经被研究，但很少一起研究并显式连接。我们提出了一个简单的分析，建立了它们之间的联系，并展示了表明在深度神经网络的学习的最后阶段，神经 - 通用睡眠解码器：跨个体对齐清醒和睡眠神经表达
通过收集全面的电脑图谱（EEG）数据集并设计了 Universal Sleep Decoder（USD）模型，成功地在清醒状态和睡眠状态之间建立了神经表征，实现了对记忆重播的解码，提高了解码准确度。
- 具有共享和个性化不确定性表示的贝叶斯个性化联邦学习
Bayesian 个性化联邦学习（BPFL）通过统计上异质的客户数据来量化客户内部及客户间的不确定性和异质性，并将隐藏的神经表示分解成共享和本地组件，并联合学习共享和个性化的不确定性表示。
- 光场网络的连续细节层次
提议一种将光场网络以连续的细节层次进行编码的方法，通过使用累积区域表滤波和基于显著性的重要性采样，使神经表示逐渐流动，减少渲染的延迟和资源利用。
- 自监督神经网络在人类语音上预训练能否辨别动物叫声？
本文探讨了在人类语音领域预训练的自监督学习模型是否可以用于生物声学领域，结果表明可以通过这种方式成功地从黄腹掌猴的声音中识别出不同的个体身份信息。
- ACL受盾形表示：通过迭代梯度投影保护敏感属性
本文通过引入一种新的方法 IGBP，提出了一种在自然语言处理模型中去除非线性编码概念的方案，实验结果表明，该方法可以有效缓解社会偏见，并对下游任务的准确性没有太大的影响。
- 视频中的神经点形状人物
本文提出一种新的混合点表示方法，通过自动产生的几何数据点集作为支架和简便的映射方法，学习人形和动物角色的可动形变模型，相较于之前的方法，该方法无需昂贵的采集设备或受控环境的条件，且更具普适性和可推广性。
- BERT 中的人工神经元与人脑中的生物神经元的耦合
本研究旨在解决通过构建细粒度的 NLP 模型与具有功能性的 fMRI 数据捕捉大脑活动进行相互关联的问题，从而在将来提供有关 NLP 模型的神经启示。
- 神经表示中未对齐属性的擦除
本文介绍了 AMSAL 算法和它在多个数据集上的测试，其中包括一个 Twitter 数据集和带有各种类型的保护属性的 BiasBench 基准测试。该算法旨在在信息需要被删除，但不是直接与输入示例对齐的情况下，从神经表示中删除信息。