内部数据集

我们研究两种互补类型的数据。第一种是“内部”数据集，由CIBR内部收集。这为我们提供了与实验人员紧密合作的机会，让我们了解他们的科学问题，观察数据的收集方式，并及时获得算法性能的反馈。我们经常发现，教科书和论文中的典型解决方案并不能立即奏效，因此开发一个可行的分析流程需要反复试验，并结合多种方法。然而，一旦成功，我们就能立即看到我们的工作对加速神经科学研究的影响。例如，过去需要花费数小时手动完成的任务现在可以实现自动化，或者以前不可行的高通量实验现在变得可行等等。

公开数据集

我们研究的另一种类型的数据是公开的神经科学数据集。这些数据集的优势在于可以更方便地比较不同的算法，并有机会向研究相同数据集的其他人学习。这有助于我们在分析内部数据时提升相关技能和知识。我们经常参加国际神经科学数据分析竞赛。此前，我们在由普林斯顿大学FlyWire组织的Visual Columns Challenge和Minimum Feedback Challenge中分别获得了第三名和第二名。在由斯坦福大学研究人员组织的 Brain-to-Text benchmark＇24中获得了第二名。通过公开我们的解决方案，我们旨在为全球研究社区做出贡献并加速科学进步。