基于任务条件潜在对齐的神经尼尔森数据跨会话解码
机器学习
2026-05-05 v3 人工智能
摘要
在仅从记录会话中获得有限数据的情况下，训练高性能神经解码器往往困难。为此，我们提出了任务条件潜在对齐框架 (TCLA)，用于跨会话神经解码。基于自编码器架构，TCLA 首先从数据充足的源会话中学习低维神经表征。对于目标会话数据有限的情况，TCLA 随后以任务条件方式将目标潜在表征对齐至源会话，从而实现对已学习神经表征的有效迁移，以支持目标会话中解码器的训练。我们在 macaque 运动和眼动中心-外向数据集上对 TCLA 进行评估。与仅基于目标会话数据训练的基线方法相比，TCLA 在数据集和解码设置之间一致地提高了解码性能，在运动数据集中进行 y 坐标速度解码时，系数决定系数的提升可达0.386。这些结果表明，TCLA 提供了一种有效的策略，用于将知识从源会话迁移到目标会话，在目标会话数据有限的条件下提高神经解码性能。
引用
@article{arxiv.2601.19963,
title = {Cross-Session Decoding of Neural Spiking Data via Task-Conditioned Latent Alignment},
author = {Canyang Zhao and Bolin Peng and J. Patrick Mayo and Ce Ju and Bing Liu},
journal= {arXiv preprint arXiv:2601.19963},
year = {2026}
}
备注
This work has been accepted by the Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026);Copyright will be transferred without notice, after which this version may no longer be accessible