表达式架构增强了基于动态的神经人口模型的解释性

科学领域:

• 计算神经科学是一种神经科学.
• 机器学习 机器学习
• 动态系统理论 动态系统理论

背景情况:

• 人工神经网络 (ANN) 对于解码神经活动和理解生物计算至关重要.
• 准确和低维的潜在动态对于可解释的神经数据的ANN模型至关重要.
• 现有的基于循环神经网络 (RNN) 的ANN很难从神经变异中推断出真正的潜在动态.

研究的目的:

• 从模拟的神经数据中恢复潜在的混乱吸引器,评估具有不同动态模型的顺序自编码器 (SAE).
• 为了比较基于RNN的SAE与基于神经普通微分方程 (NODE) 的SAE的性能.
• 识别能够准确推断低维神经动态的建筑特征.

主要方法:

• 模拟的神经数据集与已知的潜在混乱吸引器被生成.
• 采用基于RNN的动态和基于NODE的动态的序列自动编码器 (SAE) 被实施和训练.
• 性能通过推断火速的准确性,潜态维度,轨迹恢复和固定点结构来评估.

主要成果:

• 基于RNN的SAE未能在真正的隐性维度下推断出准确的火速,并纳入了虚假的动态.
• 基于NODE的SAE成功地在正确的潜在维度下推断出准确的火速,恢复关键的动态特征.
• 废弃性研究表明,NODE能够使用更高容量的MLP用于矢量场和预测衍生品,从而提高性能.

结论:

• 与基于RNN的SAE相比,基于NODE的SAE在恢复低维潜在动态方面提供了更好的解释性和准确性.
• 动态模型的架构显著影响推断有意义的神经动态的能力.
• 基于NODE的动态为模拟神经活动和推进计算神经科学提供了一个有希望的替代方案.