自然场景视网膜响应的深度学习模型
神经元与认知
2017-02-09 v1 机器学习
摘要
神经科学中的一个核心挑战是理解支撑生态相关自然刺激编码的神经计算和环路机制。在多层级神经环路中，诸如突触传递和脉冲发放动力学之类的非线性过程，对建立针对自然刺激响应的精确计算模型构成了重大障碍。在此，我们证明深度卷积神经网络(CNNs)捕捉视网膜对自然场景的响应几乎达到细胞响应的变异性范围内，并且明显比线性-非线性(LN)模型和广义线性模型(GLMs)更精确。此外，我们发现CNNs还有两个令人惊讶的特性：在少量数据上训练时，它们比其LN对应模型更不易过拟合；并且在测试取自不同分布的刺激（例如自然场景与白噪声之间）时泛化更好。对训练好的CNNs的检验揭示了若干特性。首先，与白噪声相比，预测对自然场景的响应需要更丰富的特征图集合。其次，对缓慢变化输入的时间精确响应源于前馈抑制，类似于已知的视网膜机制。第三，在中间层注入潜在噪声源使我们的模型能够捕捉视网膜神经节细胞中观察到的亚泊松脉冲变异性。第四，用循环侧向连接增强我们的CNNs，使它们能够将对比度适应作为精确描述视网膜对自然场景响应的涌现特性来捕捉。这些方法可轻易推广到其他感觉模态和刺激集合。总体而言，本工作表明CNNs不仅精确捕捉感觉环路对自然场景的响应，而且产生关于环路内部结构与功能的信息。
引用
@article{arxiv.1702.01825,
title = {Deep Learning Models of the Retinal Response to Natural Scenes},
author = {Lane T. McIntosh and Niru Maheswaranathan and Aran Nayebi and Surya Ganguli and Stephen A. Baccus},
journal= {arXiv preprint arXiv:1702.01825},
year = {2017}
}
备注
L.T.M. and N.M. contributed equally to this work. Presented at NIPS 2016