当预测也能解释：基于少样本预测选择更优神经潜变量

潜变量模型是从观测神经活动中推断潜在动力学的强大工具。理想情况下，推断的动力学应与真实动力学一致。然而，由于缺乏真实数据，预测基准常被用作代理。一种广泛使用的方法是$\textit{co-smoothing}$，通过联合估计潜变量并对保留的通道进行观察预测来评估模型性能。在本研究中，我们揭示了$\textit{co-smoothing}$预测框架的局限性，并提出了补救方案。使用学生-教师设置，我们展示，具有高$\textit{co-smoothing}$的模型在其潜变量表示中可能包含任意多余动力学。为解决此问题，我们引入了次要指标——$\textit{few-shot co-smoothing}$，通过对潜变量对保留神经元进行回归预测来评估模型性能，使用更少的试验次数。我们的结果表明，在具有接近最优$\textit{co-smoothing}$的模型中，那些包含多余动力学的模型在$\textit{few-shot co-smoothing}$方面表现不如那些无此类动力学的“最小化”模型。我们提供了关于这一现象起源的解析性见解，并在四个标准神经数据集上使用最新方法STNDT进行进一步验证。缺乏真实数据时，我们提出一种新方法来验证我们的方案。通过对所有具有高$\textit{co-smoothing}$的模型对之间的潜变量进行交叉解码，我们识别出具有最小化多余动力学的模型。我们发现，$\textit{few-shot co-smoothing}$性能与这一新指标之间存在相关性。总之，我们提出了一种新型预测指标，旨在生成更准确反映真实动力学的潜变量，为潜在动力学推断提供了显著的改进。