Langdon2023Aunifyingperspectiveonneuralmanifoldsandcircuitsforcognition摘要两种不同的观点为解释大脑和行为之间的联系提供了依据。一种方法试图寻找执行特定功能的神经电路组件，强调神经元之间的连接作为神经计算的基础。另一种方法以神经流形（神经群体活动中行为信号的低维表示）为中心，并表明神经计算是通过动力学涌现现象实现的。尽管神经流形揭示了异质神经元活动中可解释的结构，但在连接性中找到相应的结构仍然是一个挑战。我们重点介绍了一些例子，在这些例子中，建立低维活动和连通性之间的对应关系是可能的，从而统一了神经流形和神经电路的观点。这种

Author:ZelinZang,SiyuanLi,DiWuandStanZLi.1-4:WestlakeUniversity摘要流形学习（ML,Manifoldlearning）旨在从高维数据中识别低维结构和嵌入，然而我们发现现有工作在采样不足的现实数据集上效果不佳。一般的ML方法对数据结构进行建模然后构造一个低维embedding，但是采样不足的现实数据会导致局部关联性/连续性较差，或由于优化目标不合适导致结构失真、embedding存在缺陷。为解决该问题我们提出了深度的、局部平坦的、流形embedding（DLME）：通过减少失真来获得可靠的embedding。该方法通过数据增强构建语义