Modelos compactos de redes neuronales profundas de la corteza visual

Área de la Ciencia:

• Neurociencia computacional; Aprendizaje automático; Sistema visual de primates

Sus antecedentes:

• Las redes neuronales profundas (DNN) son herramientas poderosas para modelar respuestas neuronales, pero a menudo son grandes y complejas.
• Comprender las computaciones dentro de la corteza visual de primates requiere modelos predictivos.

Objetivo del estudio:

• Desarrollar modelos de DNN predictivos y parsimoniosos de la corteza visual de primates.
• Investigar el funcionamiento interno de los modelos de DNN comprimidos.

Principales métodos:

• Experimentos adaptativos de circuito cerrado que combinan la recopilación de datos y el entrenamiento de modelos de DNN.
• Compresión de un modelo de DNN grande (60 millones de parámetros) para identificar modelos compactos (5000 veces menos parámetros).
• Análisis de modelos compactos para descubrir motivos y mecanismos computacionales.

Principales resultados:

• Se lograron modelos de DNN altamente predictivos para el área V4 visual del macaco.
• Se comprimió con éxito un modelo de DNN grande, conservando una alta precisión con significativamente menos parámetros.
• Se descubrió un motivo computacional de filtros tempranos compartidos seguidos de la consolidación de la selectividad de características especializadas.
• Se identificó una hipótesis de circuito para las neuronas V4 selectivas a puntos.
• Se demostró una fuerte compresión del modelo para las áreas visuales V1 e IT, lo que sugiere un principio general.

Conclusiones:

• Los DNN grandes no siempre son necesarios para predecir las respuestas de neuronas individuales.
• Se establece un marco de modelado que equilibra la predicción y la parsimonia.
• Existe un principio computacional general de consolidación de la selectividad de características en la corteza visual.