耦合变换器自动编码器用于多区域神经潜在动力学的解耦
机器学习
2025-10-24 v1
摘要
来自数千个神经元的同步记录揭示了丰富的活动混合，这些活动在区域之间共享，同时包含每个区域独有的动力学。现有的对齐或多视图方法忽略了时间结构，而动力学潜在变量模型虽然捕捉了时间依赖性，却通常限制于单个区域、假设线性读出或混合了共享信号和私有信号。我们引入了耦合变换器自动编码器（CTAE）——一种序列模型，既解决（i）非平稳、非线性动力学，又解决（ii）共享结构与区域特定结构的分离。CTAE 采用变换器编码器和解码器捕捉长程神经动力学，并显式地将每个区域的潜在空间划分为正交的共享子空间和私有子空间。我们在两个高密度电生理数据集上展示了 CTAE 的有效性，这两个数据集分别来自运动皮层区域和感觉皮层区域。CTAE 提取的表征能比现有方法更好地解码行为变量。
引用
@article{arxiv.2510.20068,
title = {Coupled Transformer Autoencoder for Disentangling Multi-Region Neural Latent Dynamics},
author = {Ram Dyuthi Sristi and Sowmya Manojna Narasimha and Jingya Huang and Alice Despatin and Simon Musall and Vikash Gilja and Gal Mishne},
journal= {arXiv preprint arXiv:2510.20068},
year = {2025}
}