使用自然主义场景的生成模型来采样神经群体调形态
Hayden Scott1,2, Allison J Murphy2,3,4, Farran Briggs1,2,3,5
1Brain and Cognitive Sciences, University of Rochester, Rochester, New York, USA.
The European journal of neuroscience
|March 31, 2025
概括
研究人员开发了一种使用深度生成模型的新方法,以有效地将复杂的视觉刺激映射到神经人口活动中. 这种方法有助于理解大脑如何处理高维的视觉信息.
科学领域:
- 神经科学是一个神经科学.
- 计算视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 传统的视觉刺激 (例如,Gabor补丁) 对于研究复杂的神经反应是有限的.
- 自然主义图像模型提供了更复杂的刺激,但由于高维度,在映射到神经活动方面存在挑战.
- 记录神经群体产生高维响应数据,加剧了维度挑战.
研究的目的:
- 开发一种闭环方法,在高维度刺激空间中高效地表征神经群体多元体.
- 研究深度生成模型对理解视觉系统感官编码的有用性.
主要方法:
- 采用了一个闭环实验设计.
- 用深度神经网络生成刺激.
- 神经反应指导着刺激的代生成,以预测模型的潜在空间和神经活动之间的关系.
主要成果:
- 深度生成图像模型有效地将高维刺激空间映射到神经人口活动中.
- 来自深度生成模型的潜变量与其他压缩方法相比,与神经活动产生更强的线性关系.
- 拟议的方法有效地表征了高维调节分组.
结论:
- 深度生成模型提供了一个强大的工具,可以有效地表征神经群体的多样性.
- 这种方法提升了我们对视觉系统感官编码的理解,特别是在复杂的刺激方面.
- 该方法解决了以下问题:
- 这是维度的诅咒.
- 在神经数据分析中.
关键词:
V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V4 V5 V1 V1 V1 V1 V1 V1 V1 V2 V1 V1 V1 V2 V1 V1 V1 V1 V2 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1 V1电力生理学 电力生理学潜变量模型的潜变量模型优化的优化优化优化.
