神经科学发表论文

深度神经网络（DNNs）是 AI 领域的重要成果，但它的 “存在感” 已经不仅仅限于该领域。 一些前沿生物医学研究，也正被这一特别的概念所吸引。特别是计算神经科学家。 在以前所未有的任务性能彻底改变计算机视觉之后，相应的 DNNs 网络很快就被用以试着解释大脑信息处理的能力，并日益被用作灵长类动物大脑神经计算的建模框架。经过任务优化的深度神经网络，已经成为预测灵长类动物视觉皮层多个区域活动的最佳模型类型之一。 用神经网络模拟大脑或者试图让神经网络更像大脑正成为主流方向的当下，有研究小组却选择用神经生物学的方法重新审视计算机学界发明的DNNs。 而他们发现，诸如改变初始权重等情况就能改变网络的最终训练结果。这对使用单个网络来窥得生物神经信息处理机制的普遍做法提出了新的要求：如果没有将具有相同功能的深度神经网络具有的差异性纳入考虑的话，借助这类网络进行生物大脑运行机制建模将有可能出现一些随机的影响。要想尽量避免这种现象，从事 DNNs 研究的计算神经科学家，可能需要将他们的推论建立在多个网络实例组的基础上，即尝试去研究多个相同功能的神经网络的质心，以此克服随机影响。 而对于 AI 领域的研究者，团队也希望这种表征一致性的概念能帮助机器学习研究人员了解在不同任务性能水平下运行的深度神经网络之间的差异。 人工神经网络由被称为 “感知器”、相互连接的单元所建立，感知器则是生物神经元的简化数字模型。人工神经网络至少有两层感知器，一层用于输入层，另一层用于输出层。在输入和输出之间夹上一个或多个 “隐藏” 层，就得到了一个 “深层” 神经网络，这些层越多，网络越深。 深度神经网络可以通过训练来识别数据中的特征，就比如代表猫或狗图像的特征。训练包括使用一种算法来迭代地调整感知器之间的连接强度（权重系数），以便网络学会将给定的输入（图像的像素）与正确的标签（猫或狗）相关联。理想状况是，一旦经过训练，深度神经网络应该能够对它以前没有见过的同类型输入进行分类。 但在总体结构和功能上，深度神经网络还不能说是严格地模仿人类大脑，其中对神经元之间连接强度的调整反映了学习过程中的关联。 一些神经科学家常常指出深度神经网络与人脑相比存在的局限性：单个神经元处理信息的范围可能比 “失效” 的感知器更广，例如，深度神经网络经常依赖感知器之间被称为反向传播的通信方式，而这种通信方式似乎并不存在于人脑神经系统。 然而，计算神经科学家会持不同想法。有的时候，深度神经网络似乎是建模大脑的最佳选择。 例如，现有的计算机视觉系统已经受到我们所知的灵长类视觉系统的影响，尤其是在负责识别人、位置和事物的路径上，借鉴了一种被称为腹侧视觉流的机制。 对人类来说，腹侧神经通路从眼睛开始，然后进入丘脑的外侧膝状体，这是一种感觉信息的中继站。外侧膝状体连接到初级视觉皮层中称为 V1 的区域，在 V1 和 V4 的下游是区域 V2 和 V4，它们最终通向下颞叶皮层。非人类灵长类动物的大脑也有类似的结构（与之相应的背部视觉流是一条很大程度上独立的通道，用于处理看到运动和物体位置的信息）。 这里所体现的神经科学见解是，视觉信息处理的分层、分阶段推进的：早期阶段先处理视野中的低级特征（如边缘、轮廓、颜色和形状），而复杂的表征，如整个对象和面孔，将在之后由颞叶皮层接管。 如同人的大脑，每个 DNN 都有独特的连通性和表征特征，既然人的大脑会因为内部构造上的差异而导致有的人可能记忆力或者数学能力更强，那训练前初始设定不同的神经网络是否也会在训练过程中展现出性能上的不同呢？ 换句话说，功能相同，但起始条件不同的神经网络间究竟有没有差异呢？ 这个问题之所以关键，是因为它决定着科学家们应该在研究中怎样使用深度神经网络。 在之前 Nature 通讯发布的一篇论文中，由英国剑桥大学 MRC 认知及脑科学研究组、美国哥伦比亚大学 Zuckerman Institute 和荷兰拉德堡大学的 Donders 脑科学及认知与行为学研究中心的科学家组成的一支科研团队，正试图回答这个问题。论文题目为《Individual differences among deep neural network models》。 根据这篇论文，初始条件不同的深度神经网络，确实会随着训练进行而在表征上表现出越来越大的个体差异。 此前的研究主要是采用线性典范相关性分析（CCA，linear canonical correlation analysis）和 centered-kernel alignment（CKA）来比较神经网络间的内部网络表征差异。 这一次，该团队的研究采用的也是领域内常见的分析手法 —— 表征相似性分析（RSA，representational similarity analysis）。 该分析法源于神经科学的多变量分析方法，常被用于将计算模型生产的数据与真实的大脑数据进行比较，在原理上基于通过用 “双（或‘对’）” 反馈差异表示系统的内部刺激表征（Inner stimulus representation）的表征差异矩阵（RDMs，representational dissimilarity matrices），而所有双反馈组所组成的几何则能被用于表示高维刺激空间的几何排布。 两个系统如果在刺激表征上的特点相同（即表征差异矩阵的相似度高达一定数值），就被认为是拥有相似的系统表征。 表征差异矩阵的相似度计算在有不同维度和来源的源空间（source spaces）中进行，以避开定义 “系统间的映射网络”。本研究的在这方面上的一个特色就是，使用神经科学研究中常用的网络实例比较分析方法对网络间的表征相似度进行比较，这使得研究结果可被直接用于神经科学研究常用的模型。 最终，对比的结果显示，仅在起始随机种子上存在不同的神经网络间存在明显个体差异。 该结果在采用不同网络架构，不同训练集和距离测量的情况下都成立。团队分析认为，这种差异的程度与 “用不同输入训练神经网络” 所产生的差异相当。 如上图所示，研究团队通过计算对应 RDM 之间的所有成对距离，比较 all-CNN-C 在所有网络实例和层、上的表示几何。 再通过 MDS 将 a 中的数据点（每个点对应一个层和实例）投影到二维。各个网络实例的层通过灰色线连接。虽然早期的代表性几何图形高度相似，但随着网络深度的增加，个体差异逐渐显现。 在证明了深度神经网络存在的显著个体差异之后，团队继续探索了这些差异存在的解释。 随后，研究者再通过在训练和测试阶段使用 Bernoulli dropout 方法调查了网络正则化（network regularization）对结果能造成的影响，但发现正则化虽然能在一定程度上提升 “采用不同起始随机种子的网络之表征” 的一致性，但并不能修正这些网络间的个体差异。 最后，通过分析网络的训练轨迹与个体差异出现的过程并将这一过程可视化，团队在论文中表示，神经网络的性能与表征一致性间存在强负相关性，即网络间的个体差异会在训练过程中被加剧。 总而言之，这项研究主要调查了多个神经网络在最少的实验干预条件下是否存在个体差异，即在训练开始前为网络设置不同权重的随机种子，但保持其他条件一致，并以此拓展了此前与 “神经网络间相关性” 有关的研究。 除了这篇 这篇 研究以外，“深度学习三巨头” 之一、著名 AI 学者 Hinton 也有过与之相关的研究，论文名为《Similarity of Neural Network Representations Revisited》，文章探讨了测量深度神经网络表示相似性的问题，感兴趣的读者可以一并进行阅读。 Refrence： [1] [2]

论文作者用假的实验数据，证明自己的实验结果对阿兹海默症有效果，害得引用的人都在站在他研究基础上继续探索的。

文章中的著名医学家，还有所谓的关键致癌物质都不存在，因为对方是著名的研究工作者，所以大家从未质疑过这篇论文，再加上这种学术方面的论文很少有人去研究，更不要说对论文中的内容提出质疑，想要推翻论文中的内容，这对于很多人来说都不是一件容易的事情，也正是因为这种原因，导致这种错误一直在延续，这项研究不仅误导了后续研究工作，同时耗费了大量资金，更重要的是导致很多都错服药物，甚至对这些患者的生命安全造成危险。

一篇被引2300次的开创性论文竟涉嫌造假的消息公开后引起了业内人士的高度重视，说实话看到这个文章的时候都非常震惊，这或许就是对方预谋的一场阴谋，这背后的阴谋诡计让人毛骨悚然，这篇论文牵涉到本引用最多的阿尔茨海默病，一大批的研究者都已这篇论文的结果视为研究的基础，这篇论文涉嫌信息造假，也就意味着研究人员这些年的研究和努力全部白费，所有的工作全部都付诸东流，而且这些很多人的药物都已经流入市场，还有很多的志愿者参与药物的试用。

这背后到底是怎么回事暂时还没有定论，如今可以确定的是这篇论文的确涉嫌造假的行为，文章中的很多内容和图片都存在复制的情况，甚至存在数据篡改的想象，论文中提到的很多内容都是瞎编的，很多研究者都表示根本没有找到过。

这篇论文的作者因此获得了巨大的收益，我们也很想知道论文的作者为何会有这样的举动，也很想知道他这样做的目的究竟是什么，目前此事在处于调查阶段，通过此事我们也可以知道，权威也有可能存在失误，对于这种学术方面的结果，还是应该进行验证，存在质疑一定要及时提出。

白日梦的大脑机理

你喜欢做白日梦吗?你清楚白日梦的大脑机理吗?下面白日梦的大脑机理是我为大家带来的，希望对大家有所帮助。

与大多数人一样，我有时也会感到注意力难以集中。

我打开文档，想要继续未写完的专栏文章，可我的大脑却在负隅顽抗，怎么也不肯把思绪收回到正题上来。我们都知道，这是大脑在走神。但这的确很奇怪。为什么我不能控制自己的大脑去做我想做的事情呢?是什么导致了这种状况?

不列颠哥伦比亚大学的卡琳娜"克里斯托夫和她的同事们，不久前在学术期刊《自然评论：神经科学》上发表论文，对最近20年的神经科学研究进行了回顾。他们试图对大脑如何走神以及怎样从中获益做出解释。

当神经学家们刚刚开始使用影像技术时，他们注意到一些奇怪的现象。

在受试者等待试验开始时，一种特殊的大脑网络会被点亮。科学家们称之为“默认网络”。人们做白日梦、发呆、陷入回忆或是勾画未来时，这一网络便会被激活。一些研究显示，我们会把近50%的清醒时间花费在这种“任务无关思维”(task-unrelated thought)上，而这几乎与我们花费在正经事上的时间一样多。

该论文提出，大脑不同区域之间相互发生作用，会带来不同类型的“走神”。

当 “默认网络”的某一区域与颞叶内侧负责记忆的区域发生联系时，大脑似乎总会毫无逻辑地冒出许多新的思考、想法和记忆。而这些可以成为意识流作品的'灵感源泉。

在你做梦时，大脑的其他区域都会停止活动，而上述联动区域却会特别活跃。

神经学家对老鼠在“快速眼动”(REM)睡眠阶段的脑细胞活动模式进行了详细的记录。随着老鼠进入梦乡，它们的大脑会回放并重组大脑白天进行的活动。而这种随机组合有助于它们(以及我们)用一种新的方式来学习与思考。

大脑的其他区域会对走神进行限制和修饰，比如前额皮质的一些区域。

前额皮质是大脑的控制中心。就我本人而言，这套控制系统可能就在设法将我的注意力拉回到外在目标上，比如写专栏文章。或许，这套系统也会让我正处于走神状态的大脑适合于完成一些内在目标，比如计划晚餐吃什么。

克里斯托夫博士和她的同事们提出，大脑的这些控制系统与“走神”之间发生的一种特殊互动，会让人产生创新性思维。在这一互动过程中，控制系统让大脑在思考一个特定问题，同时也让大脑处于某种神游状态，其程度足以让人以一些新的方式将那些已有想法整合在一起，从而找到创新性的解决办法。

这篇论文的作者们称，在其他一些时候，恐惧感也会俘获并控制我们正在神游的大脑。比如，大脑皮质下的情感区域，像杏仁核，就能迅速察觉到威胁，它们会向大脑的其他部分拉响警报，包括“默认网络”。这时，我们的大脑不再漫无目的地神游，但我们的思绪也不会转向手头要做的工作，而只会去想象那些最恐怖、吓人的情境。恐惧感劫持了我们的白日梦。

焦虑症会放大这一思维转换过程。

一名临床医生曾向我指出，虽然这种最糟糕的情况确实有可能真的发生，但我持续不断的忧虑情绪却意味着，其实早在噩梦成真之前，我在自己的脑海里已经选择生活在那种可怕的情境中了。

而从进化论的角度来看，对潜在威胁的恐惧感占据我们的大脑是有意义的。

毕竟我们很难提前知道，具体哪种恐惧感最终将被证明是合乎情理的。但具讽刺意味的是，恐惧感会剥夺我们发挥想象力的空间，而事实上上，这种想象空间本可以给我们创造一个更好的未来。