神经隐空间对齐器：用于复杂自然神经数据表征学习的跨试次对齐方法
机器学习
2023-08-15 v1 音频与语音处理
摘要
理解复杂人类行为的神经实现机制是神经科学的主要目标之一。为此，找到神经数据的真实表征至关重要，但由于行为的高复杂性和信号的低信噪比（SNR），这一任务极具挑战性。在此，我们提出一种新颖的无监督学习框架——神经隐空间对齐器（Neural Latent Aligner, NLA），以寻找受良好约束且与行为相关的复杂行为神经表征。其核心思想是对齐重复试次间的表征，从而学习跨试次一致的信息。此外，我们提出一种新颖的、完全可微的时间扭曲模型（TWM）来解决试次间的时间错位问题。当应用于自然说话的颅内皮层脑电（ECoG）数据时，我们的模型比基线模型学习到更优的行为解码表征，尤其在低维空间中。TWM通过测量对齐试次间的行为一致性得到了经验验证。所提框架学习到的跨试次一致表征优于基线模型，且在可视化后，流形揭示了跨试次共享的神经轨迹。
引用
@article{arxiv.2308.06443,
title = {Neural Latent Aligner: Cross-trial Alignment for Learning Representations of Complex, Naturalistic Neural Data},
author = {Cheol Jun Cho and Edward F. Chang and Gopala K. Anumanchipalli},
journal= {arXiv preprint arXiv:2308.06443},
year = {2023}
}
备注
Accepted at ICML 2023