一种用于神经群体解码的统一可扩展框架
机器学习
2023-10-25 v1 神经元与认知
摘要
我们利用深度学习方法破译神经活动的能力，可能在模型规模与数据集规模上受益于更大的尺度。然而，将许多神经记录整合到一个统一模型中具有挑战性，因为每次记录都包含来自不同个体动物的不同神经元的活动。本文提出一种训练框架与架构，旨在对跨多样、大规模神经记录的神经活动群体动态进行建模。我们的方法首先对数据集中的个体脉冲进行分词，以构建捕获神经活动精细时间结构的高效神经事件表示。随后采用交叉注意力与 PerceiverIO 主干进一步构建神经群体活动的潜在分词。利用该架构与训练框架，我们构建了一个大规模多会话模型，在来自七只非人灵长类动物的大型数据集上训练，涵盖超过 158 个不同记录会话、27,373 个以上神经单元和超过 100 小时的记录。在多项不同任务中，我们证明预训练模型可快速适配到未见过、神经元对应关系未指定的新会话，以最少标签实现少样本性能。本工作为构建分析神经数据的深度学习工具提供了强大新方法，并明确了规模化训练的清晰路径。
引用
@article{arxiv.2310.16046,
title = {A Unified, Scalable Framework for Neural Population Decoding},
author = {Mehdi Azabou and Vinam Arora and Venkataramana Ganesh and Ximeng Mao and Santosh Nachimuthu and Michael J. Mendelson and Blake Richards and Matthew G. Perich and Guillaume Lajoie and Eva L. Dyer},
journal= {arXiv preprint arXiv:2310.16046},
year = {2023}
}
备注
Accepted at NeurIPS 2023