XiaoMi-AI文件搜索系统
World File Search SystemVNNs
Volterra神经网络（VNN）
推断机器学习（ML）的重要性导致了大量不同的建议，尤其是在深度学习中。试图降低卷积神经网络的复杂性，我们提出了一个伏特拉过滤器启发的网络体系结构。此体系结构以延迟的数据输入样本之间的相互作用形式引起了受控的非线性。我们提出了一个级联的Volterra滤波实现，以大大减少执行与调用神经网络相同的分类任务所需的参数数量。我们证明了该伏特拉神经网络（VNN）的有效的并行实现，同时保持了相对简单且可能更易于处理的结构。此外，我们还展示了该网络对非线性融合RGB（空间）信息和视频序列的光流（时间）信息的相当复杂的适应，以进行动作识别。在UCF-101和HMDB-51数据集上评估了所提出的方法，以进行动作识别，并显示出优于最先进的CNN方法的状态。我们论文的代码库可在GitHub（https://github.com/sid- roheda/volterra-neural-networks）上找到。关键字：Volterra滤波器，活动识别，激活免费学习
使用协方差神经网络解释的大脑年龄预测
在计算神经科学中，人们对开发机器学习算法的兴趣越来越高，这些算法利用脑成像数据来为个体提供“脑时代”的估计。重要的是，由于不良健康状况，大脑年龄和年龄年龄之间的不一致可以捕获加速老化，因此可以反映出增加对神经系统疾病或认知障碍的脆弱性。然而，由于大多数现有的脑年龄预测算法缺乏透明度和方法上的理由，因此阻碍了大脑年龄对临床决策支持的广泛采用。在本文中，我们利用协方差神经网络（VNN）提出了使用皮质厚度特征为脑年龄预测的解释驱动和解剖学上的解释框架。Specifically, our brain age prediction framework extends beyond the coarse metric of brain age gap in Alzheimer's disease (AD) and we make two important observations: (i) VNNs can assign anatomical interpretability to elevated brain age gap in AD by identifying contributing brain regions, (ii) the interpretability offered by VNNs is contingent on their ability to exploit specific eigenvectors of the anatomical协方差矩阵。在一起，这些观察结果促进了对脑时代预测任务的可解释和解剖学上的观点。
使用协方差神经网络进行可解释的大脑年龄预测
在计算神经科学领域，人们对开发利用脑图像数据来估算个体“脑年龄”的机器学习算法的兴趣日益浓厚。重要的是，脑年龄与实际年龄之间的差异（称为“脑年龄差距”）可以反映出不良健康状况导致的加速衰老，因此可以反映出患神经系统疾病或认知障碍的几率增加。然而，由于现有的大多数脑年龄预测算法缺乏透明度和方法论依据，因此脑年龄在临床决策支持中的广泛应用受到了阻碍。在本文中，我们利用协方差神经网络 (VNN) 提出了一个由解释驱动且解剖学上可解释的框架，使用皮质厚度特征来预测脑年龄。具体而言，我们的大脑年龄预测框架超越了阿尔茨海默病 (AD) 中大脑年龄差距的粗略度量，我们得出了两个重要观察结果：(i) VNN 可以通过识别贡献大脑区域，为 AD 中增大的大脑年龄差距分配解剖学可解释性，(ii) VNN 提供的可解释性取决于它们利用解剖学协方差矩阵的特定特征向量的能力。总之，这些观察结果促进了大脑年龄预测任务的可解释性和解剖学可解释性视角。