予測も説明可能になる時：少数の例でより良いニューラル潜在変数を選択する

科学分野:

• 計算神経科学
• 機械学習

背景:

• 潜在変数モデルは、ニューロン活動ダイナミクスの理解に不可欠である。
• 共同平滑化のような現在の予測ベンチマークは、真のダイナミクスを評価する上で限界がある。
• 真のラベルの欠如は、これらのモデルに対して堅牢な評価方法を必要とする。

研究 の 目的:

• 潜在変数モデルの共同平滑化予測フレームワークの限界を明らかにする。
• より正確なニューラルダイナミクス推論のための新しい指標、少数の例を用いた共同平滑化を提案し、検証する。
• 真のラベルがない場合の潜在変数モデルの新しい検証尺度を開発する。

主な方法:

• 学生・教師セットアップを利用して、共同平滑化の限界を実証した。
• 少数の試行で、保持されたニューロンに対する回帰を用いて、少数の例を用いた共同平滑化を導入した。
• モデルペアからの潜在変数の相互デコーディングを適用して、最小限の外因性ダイナミクスを特定した。

主要な成果:

• 高い共同平滑化を持つモデルは、任意の外因性ダイナミクスを示す可能性がある。
• 少数の例を用いた共同平滑化は、外因性ダイナミクスを持つモデルと持たないモデルを効果的に区別する。
• 新しい相互デコーディング尺度が、少数の例を用いた共同平滑化の性能と相関し、アプローチを検証する。

結論:

• 共同平滑化だけでは、潜在変数モデルの精度を評価するには不十分である。
• 少数の例を用いた共同平滑化は、ニューラルダイナミクスを評価するためのより信頼性の高い指標を提供する。
• 提案された方法により、ニューラルデータ分析のための潜在変数モデルの信頼性が向上する。