高阶卷积提升视网膜神经可预测性
计算机视觉与模式识别
2025-05-13 v1 机器学习
神经元与认知
摘要
我们提出了一种新颖的神经响应预测方法，将高阶运算直接嵌入卷积神经网络 (CNN) 中。该模型扩展了传统 3D CNN，通过在卷积算子内部嵌入高阶运算，直接建模相邻像素在空间和时间上的乘法相互作用。我们的模型在不增加网络深度的前提下提高了 CNN 的表示能力，从而弥补了深层人工网络与相对浅层生物视觉系统处理层级之间的结构差异。我们在两个不同的数据集上评估了该方法：青蛙视网膜视神经节细胞 (RGC) 对自然场景的响应，以及一套新的小鼠 RGC 对受控几何变换的响应数据集。我们的高阶 CNN (HoCNN) 在仅需一半训练数据的情况下实现了优异的性能，神经响应的相关系数可达0.75（相对于0.80±0.02的视网膜可靠性）。当集成到最先进的架构中时，我们的方法在不同物种和刺激条件下均一致性地提高了性能。对所学表示的分析显示，我们的网络自然地编码了基本的几何变换，特别是描述物体扩张和收缩的尺度参数。这一能力对于特定细胞类型尤其重要，例如已知用于检测逼近物体的暂态 OFF-α 细胞和检测物体运动的暂态 ON 细胞，在这些细胞类型中，我们的模型在响应预测方面显示出显著的改进。尺度参数的相关系数在 HoCNN 中（0.72）是基线模型（0.32）的两倍以上。
引用
@article{arxiv.2505.07620,
title = {Higher-Order Convolution Improves Neural Predictivity in the Retina},
author = {Simone Azeglio and Victor Calbiague Garcia and Guilhem Glaziou and Peter Neri and Olivier Marre and Ulisse Ferrari},
journal= {arXiv preprint arXiv:2505.07620},
year = {2025}
}