Cuando predecir también puede explicar: Predicción de pocos ejemplos para seleccionar mejores latentes neuronales

Área de la Ciencia:

• Neurociencia Computacional
• Aprendizaje Automático

Sus antecedentes:

• Los modelos de variables latentes son cruciales para comprender la dinámica de la actividad neuronal.
• Los puntos de referencia de predicción actuales, como el co-suavizado, tienen limitaciones para evaluar la dinámica real.
• La falta de verdad fundamental requiere métodos de evaluación sólidos para estos modelos.

Objetivo del estudio:

• Revelar las limitaciones del marco de predicción de co-suavizado para modelos de variables latentes.
• Proponer y validar una nueva métrica, el co-suavizado de pocos ejemplos, para una inferencia más precisa de la dinámica latente.
• Desarrollar una nueva medida de validación para modelos de variables latentes en ausencia de verdad fundamental.

Principales métodos:

• Se utilizó un diseño de estudiante-profesor para demostrar las limitaciones del co-suavizado.
• Se introdujo el co-suavizado de pocos ejemplos utilizando regresión en neuronas retenidas con menos ensayos.
• Se aplicó la decodificación cruzada de variables latentes de pares de modelos para identificar dinámicas extrañas mínimas.

Principales resultados:

• Los modelos con alto co-suavizado pueden exhibir dinámicas extrañas arbitrarias.
• El co-suavizado de pocos ejemplos distingue eficazmente entre modelos con y sin dinámicas extrañas.
• Una nueva medida de decodificación cruzada se correlaciona con el rendimiento del co-suavizado de pocos ejemplos, validando el enfoque.

Conclusiones:

• El co-suavizado por sí solo es insuficiente para evaluar la precisión del modelo de variables latentes.
• El co-suavizado de pocos ejemplos ofrece una métrica más confiable para evaluar la dinámica latente.
• Los métodos propuestos mejoran la confiabilidad de los modelos de variables latentes para el análisis de datos neuronales.