从深度学习到神经科学的机制性理解：视网膜预测的结构
神经元与认知
2019-12-16 v1 机器学习
生物物理
摘要
近来，深度前馈神经网络在建模生物感觉处理方面取得了可观的成功，能够复现感觉神经元的输入-输出映射。然而，此类模型引发了关于神经科学解释本质的深刻问题。我们是否只是用一个复杂系统（深度网络）替换了另一个复杂系统（生物回路），而对二者均不理解？此外，除了神经表征之外，深度网络生成神经响应的计算机制是否与大脑中的相同？若无从深度神经网络模型中提取并理解计算机制的系统性方法，便难以评估深度学习方法在神经科学中的效用程度，也难以从深度网络中抽取可实验检验的假设。我们结合降维与现代归因方法，确定了中间神经元对特定视觉计算的相对重要性，从而发展了这样一种系统性方法。我们将该方法应用于视网膜的深度网络模型，揭示了一种概念性理解：视网膜如何作为预测性特征提取器，对多样化时空刺激中偏离预期的情况发出信号。对于每种刺激，我们提取的计算机制均与先前科学文献一致，且在一例中给出了新的机制性假设。因此总体而言，本工作不仅增进了对视网膜惊人预测能力背后计算机制的认识，而且通过提供一条超越比较神经表征、转向提取并理解计算机制的新路线图，将深度网络作为神经科学模型的框架置于更坚实的理论基础之上。
引用
@article{arxiv.1912.06207,
title = {From deep learning to mechanistic understanding in neuroscience: the structure of retinal prediction},
author = {Hidenori Tanaka and Aran Nayebi and Niru Maheswaranathan and Lane McIntosh and Stephen A. Baccus and Surya Ganguli},
journal= {arXiv preprint arXiv:1912.06207},
year = {2019}
}