使用深度生成模型对大脑和行为的同时表示和预测建模:一个分级无监督到监督建模框架.

科学领域:

• 认知神经科学 认知神经科学
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 认知神经科学通常假定线性,一对一的大脑行为映射没有测试.
• 违反这些假设可能会导致研究中得出不准确的结论.

研究的目的:

• 开发和验证一个计算框架来评估大脑行为映射假设.
• 研究神经建模中违反线性和一对一假设的影响.

主要方法:

• 利用一种生成神经网络架构,将无监督和监督学习 (变量自动编码器-分类器) 结合起来.
• 采用模拟与系统变化的基础真相大脑行为映射 (线性,非线性,一对一,许多对一).
• 应用模型比较策略来评估假设的有效性.

主要成果:

• 变化自编码器-分类器框架准确地捕获了各种大脑行为映射.
• 证明了框架提供支持或反驳建模假设的证据的能力.
• 描述了在分析神经数据时使用违反假设的后果.

结论:

• 这种综合方法为建模复杂的大脑行为关系提供了强大的方法.
• 鼓励对认知神经科学中的假设进行更严格的测试,以得出合理的结论.
• 促进神经和行为过程的可靠建模.