利用 pi-VAE 学习高维神经活动的可辨识且可解释潜变量模型
机器学习
2020-11-11 v1 机器学习
神经元与认知
摘要
同时记录大脑中数百个神经元活动的能力，对开发适当的统计技术来分析此类数据提出了日益增长的需求。近来，深度生成模型被提出用于拟合神经群体响应。尽管这些方法灵活且具表现力，但其缺点在于难以解释和辨识。为解决此问题，我们提出了一种融合潜变量模型与传统神经编码模型关键要素的方法。我们的方法 pi-VAE 受可辨识变分自编码器近期进展的启发，我们对其进行了调整以适用于神经科学应用。具体而言，我们提出在构建神经活动潜变量模型的同时，对潜变量与任务变量（非神经变量，例如感觉、运动及其他外部可观测状态）之间的关系进行建模。任务变量的引入不仅使模型受到更多约束，还在可解释性与可辨识性上展现出定性的提升。我们使用合成数据对 pi-VAE 进行验证，并将其应用于分析来自大鼠海马体与猕猴运动皮层的神经生理学数据集。我们证明 pi-VAE 不仅更好地拟合数据，还为神经编码的结构提供了出乎意料的新见解。
引用
@article{arxiv.2011.04798,
title = {Learning identifiable and interpretable latent models of high-dimensional neural activity using pi-VAE},
author = {Ding Zhou and Xue-Xin Wei},
journal= {arXiv preprint arXiv:2011.04798},
year = {2020}
}