能源基准自回归生成：用于神经群体动力学
机器学习
2025-11-25 v1 人工智能
摘要
理解脑功能是神经科学的根本目标，关乎治疗干预与神经工程应用。计算建模为加速这一理解提供了定量框架，但面临计算效率与高保真建模之间的根本性权衡。为此，我们引入一种新型能源基准自回归生成 (EAG) 框架，采用能源基准变换器通过严格的评分规则在潜在空间中学习时序动力学，实现高效生成并具备真实的群体水平和单个神经元放电统计特性。在合成Lorenz数据集和两个Neural Latents Benchmark数据集（MC_Maze 和 Area2_bump）上的评估表明，EAG 在生成质量上实现了最新进展，并在计算效率上显著提升，尤其优于基于扩散的方法。除最优性能外，条件生成应用显示出两项能力：对未见行为情境的泛化，以及利用合成神经数据提升运动脑机接口解码准确性。这一结果表明，能源基准建模对神经群体动力学具有有效性，具有神经科学研究与神经工程应用的前景。代码已公开于 https://github.com/NinglingGe/Energy-based-Autoregressive-Generation-for-Neural-Population-Dynamics。
引用
@article{arxiv.2511.17606,
title = {Energy-based Autoregressive Generation for Neural Population Dynamics},
author = {Ningling Ge and Sicheng Dai and Yu Zhu and Shan Yu},
journal= {arXiv preprint arXiv:2511.17606},
year = {2025}
}