企业官网建设流程全解析

公司注册网站开发的行业表述,莱州网监局,无锡企业网站制作价格,濂溪区建设局网站来源#xff1a;PsyBrain脑心前沿认知神经科学前沿文献分享基本信息#xff1a;Title: Quantifying the compressibility of the human brain发表时间#xff1a;2026.1.21Journal:PNAS影响因子#xff1a;9.1引言我们常说“大脑是一个网络”#xff0c;但这句话里有个容易…来源PsyBrain脑心前沿认知神经科学前沿文献分享基本信息Title:Quantifying the compressibility of the human brain发表时间2026.1.21Journal:PNAS影响因子9.1引言我们常说“大脑是一个网络”但这句话里有个容易被忽略的技术细节我们看到的脑网络大多来自脑区之间活动的相关correlation。问题是相关这么多哪些才真“有用”在fMRI里100个皮层分区parcel就有近5000对脑区相关如果换更细的分区相关数量还会爆炸式增长。可在实际研究与临床应用中我们并不总能稳定地估计每一条相关样本量有限、噪声存在、任务状态多变都会让“全连接相关矩阵”既昂贵又不可靠。更关键的是相关并不等于因果causality很多相关可能只是“间接推出来的影子”。这就引出了一个很现实的挑战我们到底需要测量/拟合多少条相关才能把全脑活动的“可能状态空间”约束住从而较准确地预测脑的整体活动图景换句话说人脑活动是否存在一种“可压缩性compressibility”只要抓住少数关键相关就能还原大部分全脑结构Weaver等人把这个直觉变成了一个严格的、可计算的框架用信息论information theory里的熵entropy表示我们对全脑状态的不确定性并用最大熵模型maximum entropy把“选中的相关集合”映射为对全脑活动分布的最无偏预测。然后他们不再凭经验挑“最强相关”而是提出要解一个“minimax entropy”问题在给定边数的条件下找到让不确定性下降最多的那张稀疏相关网络。最终作者用Human Connectome Project的99名受试者、静息态与7个任务态数据证明全脑相关结构远比想象中更“可压缩”而且最重要的相关常常并不是最强的那一批。实验设计与方法逻辑作者将皮层活动z-score后把任意“被选中的相关集合”视为网络约束用高斯图模型Gaussian graphical model, GGM的最大熵形式从这些约束推出全脑分布并用模型熵量化剩余不确定性随后以“每次加入一条使熵下降最多的相关”为贪心准则迭代生成从极稀疏到全连接的最优压缩曲线并以曲线面积定义可压缩性指标C最后在HCP的静息7任务、跨被试与跨任务三种组合层面检验一致性与网络结构特征。Fig. 1. Quantifying uncertainty given a network of correlations.核心发现1人脑活动“高度可压缩”极少相关就能大幅降不确定性在合并所有被试与任务的数据中最优网络的压缩曲线在早期陡降只需1.4%相关就实现50%熵下降达到90%熵下降也仅需约9%相关Fig. 2A。更直观的是当只拟合10%相关时模型已能定量预测剩余90%的相关结构Fig. 2C、2E而随机选边会明显丢失结构并系统性低估相关强度Fig. 2D、2F。Fig. 2. Human neural activity is highly compressible.2可压缩性接近理论上限并在“人”和“任务”之间惊人稳定作者用曲线面积定义可压缩性CFig. 3A合并数据的C≈**0.96**接近“几乎可被一张极稀疏骨架解释”的上限情形换更细分区200区甚至更高SI Appendix。更重要的是把数据拆到“单任务跨被试”或“单被试跨任务”层面压缩曲线仍保持相似形状Fig. 3B、3C平均可压缩性分别约0.96与0.94说明这不是拼接数据造成的假象。Fig. 3. Quantifying compressibility across subjects and cognitive tasks.3“最重要”不等于“最强”冗余强相关让最优网络更像“长程骨架”作者用四节点例子解释反直觉点最强相关往往能间接推出第三强相关使其变成冗余此时加入一条更弱但“新信息量更大”的边熵下降反而更大Fig. 4A。在真实数据中最强相关倾向形成高聚类clustering的短环路而最优网络刻意避免这种冗余表现为聚类系数低得多Fig. 4C并以接近最少边数迅速连成单一巨型连通分量giant componentFig. 4D。Fig. 4. Network structure of optimal correlations.4关键边更偏向“跨系统连接”用弱但关键的系统间相关约束全脑按8大认知系统cognitive systems分组后最优网络既会保留系统内必要约束Fig. 5A但相较“只选最强相关”的网络最优网络明显更偏向连接不同系统Fig. 5B、5C。任务层面还出现细微偏移例如视觉VIS—默认DMN—背侧注意DAN这些在视觉/反应任务中很强的相关其“信息贡献”反而低于强度所暗示而边缘LIM与颞顶TP系统内一些偏弱相关却对约束活动很关键Fig. 5D。Fig. 5. Systems-level structure of optimal compressions.归纳总结和点评这篇工作把“脑网络到底要看多少条边”从经验问题升级为可计算的最优化问题用最大熵maximum entropy把“选边”映射为对全脑状态的预测再用minimax entropy直接找出在给定稀疏度下最能降低不确定性的关键相关骨架。最亮眼的结论是全脑相关结构极度可压缩、跨人跨任务高度一致且关键相关并不等同于强相关——真正决定预测力的是“去冗余后的信息增益”。这为理解发育与脑病中的网络改变提供了一个更锋利的量化尺子未来或许不必追逐全连接矩阵而是聚焦那条决定全局的稀疏“信息主干”。阅读最新前沿科技趋势报告请访问欧米伽研究所的“未来知识库”https://wx.zsxq.com/group/454854145828未来知识库是“欧米伽未来研究所”建立的在线知识库平台收藏的资料范围包括人工智能、脑科学、互联网、超级智能数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https://wx.zsxq.com/group/454854145828进入。