受限神经元数的表示相似性谱分析
无序系统与神经网络
2025-10-27 v2 机器学习
神经元与认知
摘要
理解神经记录与计算模型之间的表示相似性是神经科学的关键任务，但由于同时记录神经元数量的限制，测量相似性仍然具有挑战性。本文运用随机矩阵论的工具，探讨此类限制如何影响相似性度量，聚焦中心化核对齐（CKA）和典型相关分析（CCA）。我们提出了一种表示相似性分析的解析框架，将测量的相似性与底层表示的谱特性关联。我们展示，神经相似性在有限神经元采样下会系统性地被低估，主要due于特征向量的去局化。此外，对于幂律分布的谱，我们显示，局部分散特征向量的数量随记录神经元数的平方根比例增长，为实践者提供了简单的经验法则。为克服采样偏差，我们引入一种去噪方法，以推断群体水平的相似性，使即使在小样本神经元下也能实现精确分析。理论预测在合成数据和真实数据上均得到验证，提供了在有限采样约束下解释神经数据的数据实用策略。
引用
@article{arxiv.2502.19648,
title = {Spectral Analysis of Representational Similarity with Limited Neurons},
author = {Hyunmo Kang and Abdulkadir Canatar and SueYeon Chung},
journal= {arXiv preprint arXiv:2502.19648},
year = {2025}
}