اثبات با ساخت.
سابقه عمومی: یادگیری ماشین از صفر، یادگیری فدرال، و یک پروژه پرچمدار connectomics که زیست‌شناسی را به تز swarm پیوند می‌دهد. ما خط به خط می‌سازیم — و سپس کد را به اشتراک می‌گذاریم.
پروژه‌ای که این تز را آغاز کرد.
ابرتفکیک‌پذیری ماتریس اتصال مغز
بازیابی گراف‌های سیم‌کشی مغز با وضوح بالا از کانکتوم‌های درشت — ابرتفکیک برای علوم اعصاب.
مدل‌هایی می‌سازد که ماتریس‌های اتصال عصبی متراکم و دقیق را از مشاهدات پراکنده و کم‌تفکیک پیش‌بینی می‌کنند؛ ماتریس‌ها را به‌عنوان یک مجموعه‌داده عمومی CC0 در Kaggle منتشر کرد (۲۸۹ دانلود) تا جامعه بتواند بر آن‌ها بسازد.
بازیابی سیم‌کشی ریزدانه از اسکن‌های درشت، پل روش‌شناختی از علوم اعصاب به هوش چندعاملی است — و مجموعه‌داده عمومی است تا حوزه بتواند بر آن بنا کند.
کتابخانه از صفر ساخته‌شده و کار کاربردی.
یادگیری فدرال با رگرسیون لجستیک
یادگیری خصوصی و توزیع‌شده — آموزش روی سیلوهای داده بدون جابه‌جایی داده‌ها.
یک پیاده‌سازی یادگیری فدرال با طبقه‌بند رگرسیون لجستیک: پلی از ML کلاسیک به آموزش توزیع‌شده و حفظ‌کننده حریم خصوصی.
آموزش در سراسر سیلوهای داده بدون متمرکزسازی داده — هماهنگی توزیع‌شده‌ای که به محدودیت‌های واقعی حریم خصوصی پاسخ می‌دهد.
هر یک از این‌ها از درون به بیرون ساخته شده است — ما فقط زمانی به یک مدل اعتماد می‌کنیم که بتوانیم درون آن را ببینیم. این نظم همان چیزی است که به سیستم‌های agent می‌آوریم: orchestration، استفاده از ابزار، حافظه و ارزیابی، همه بر پایه همان عمق پیاده‌سازی.