用于揭示神经连接性与动力学的解耦低秩 RNN 框架
神经元与认知
2025-11-19 v1 计算工程、金融与科学
机器学习
摘要
低秩循环神经网络（lrRNNs）是一类揭示神经群体活动背后低维潜在动力学的模型。虽然它们的功能连接性是低秩的，但缺乏解耦解释，使其难以为不同的潜在维度分配明确的计算角色。为此，我们提出了解耦循环神经网络（DisRNN），一种生成式lrRNN框架，假设潜在动力学在组之间独立，但允许组内灵活的内部分散。这一组间独立性允许潜在动力学独立演化，但在复杂计算中具有丰富性。我们将lrRNN重新表述为变分自编码器（VAE）框架，从而引入部分相关惩罚，以鼓励潜在维度组之间的解耦。在合成数据、猴子 M1 和小鼠电压成像数据上的实验表明，DisRNN 在基线lrRNNs（不鼓励部分解耦）之上持续改善了所学习神经潜在轨迹在低维空间中的解耦性和可解释性，以及低秩连接性。
引用
@article{arxiv.2511.13899,
title = {A Disentangled Low-Rank RNN Framework for Uncovering Neural Connectivity and Dynamics},
author = {Chengrui Li and Yunmiao Wang and Yule Wang and Weihan Li and Dieter Jaeger and Anqi Wu},
journal= {arXiv preprint arXiv:2511.13899},
year = {2025}
}