图神经网络揭示模拟神经装配体活动的结构与功能
神经元与认知
2026-02-17 v1 机器学习
摘要
图神经网络经过训练用于预测可观测动力学，可用于将复杂异构系统的时序活动分解为简单、可解释的表示。本文将其框架应用于具有数千个神经元的模拟神经装配体，演示其能够同时揭示连通矩阵、神经元类型、信号功能以及在某些情况下隐藏的外部刺激。与现有机器学习方法（如循环神经网络和变压器）相比，后者强调预测准确性但提供有限的可解释性，而本方法提供可靠的神经活动预测以及支配大规模神经装配体机制的可解释分解。
引用
@article{arxiv.2602.13325,
title = {Graph neural networks uncover structure and functions underlying the activity of simulated neural assemblies},
author = {Cédric Allier and Larissa Heinrich and Magdalena Schneider and Stephan Saalfeld},
journal= {arXiv preprint arXiv:2602.13325},
year = {2026}
}