揭示并引导连接组组织：基于可解释潜在变量
人工智能
2025-05-28 v2
摘要
大脑错综复杂的连接组——其功能蓝图——具有巨大的复杂性，却源于紧凑的基因代码，暗示其背后存在低维组织原则。这一工作连接连接组学与表示学习，旨在揭示这些原则。我们提出了一种框架，将从FlyWire中提取的Drosophila连接组子图与生成模型相结合，以推导神经电路的可解释低维表示。关键的是，一个可解释性模块将这些潜在维度与特定结构特征关联，提供对其功能相关性的洞见。我们通过有效的图重建演示了方法的有效性，显著的是，能够操控这些潜在代码，以可控方式生成具有预定义属性的连接组子图。这项研究为理解脑结构提供了一种新工具，也为设计受生物启发的人工神经网络提供了潜在途径。
引用
@article{arxiv.2505.13011,
title = {Unveiling and Steering Connectome Organization with Interpretable Latent Variables},
author = {Yubin Li and Xingyu Liu and Guozhang Chen},
journal= {arXiv preprint arXiv:2505.13011},
year = {2025}
}