具有非线性单射读出的表达性动力学模型能够从神经活动中可靠恢复潜特征
神经元与认知
2023-09-13 v1 定量方法
摘要
大规模神经记录的出现使得新方法得以发现神经回路的计算机制,即理解支配其状态随时间演化规则的方法。虽然这些\textit{神经动力学}无法直接测量,但它们通常可以在潜空间中由低维模型近似。这些模型表示从潜空间到神经空间映射的方式会影响潜表示的可解释性。我们表明,该映射的典型选择(例如线性或 MLP)通常缺乏单射性,这意味着潜状态的变化不必然影响神经空间中的活动。在训练过程中,非单射读出会激励发明误表示底层系统及其所执行计算的动力学。将我们的单射 Flow 读出与先前关于可解释潜动力学模型的工作相结合,我们创建了具有单射非线性读出的常微分方程自编码器(ODIN),其捕获通过近似单射非线性映射非线性嵌入到观测神经活动中的潜动力学系统。我们表明,即使系统和嵌入的性质未知,ODIN 也能从模拟神经活动中恢复非线性嵌入系统。此外,ODIN 能够无监督地恢复底层动力学特征(例如不动点)和嵌入几何。当应用于生物神经记录时,ODIN 能用显著更少的潜维度以与先前最先进方法相当的精度重建神经活动。总体而言,ODIN 在恢复真值潜特征方面的准确性以及以低维度精确重建神经活动的能力,使其成为提炼可解释动力学以助解释神经计算的一种有前景的方法。
引用
@article{arxiv.2309.06402,
title = {Expressive dynamics models with nonlinear injective readouts enable reliable recovery of latent features from neural activity},
author = {Christopher Versteeg and Andrew R. Sedler and Jonathan D. McCart and Chethan Pandarinath},
journal= {arXiv preprint arXiv:2309.06402},
year = {2023}
}
备注
11 pages, 6 figures, Submitted to NeurIPS 2023