从低维潜态动力学的高维神经活动:一个可解决的模型

科学领域:

• 计算神经科学是一种计算神经科学.
• 系统神经科学 系统神经科学
• 机器学习 机器学习

背景情况:

• 经常性神经网络 (RNN) 假设使用低维潜态动力学进行计算.
• 在小鼠中进行的大规模神经元记录显示出高维人口活动,这似乎与这一假设相矛盾.
• 隐性动力学与可观察的神经活动维度之间的关系仍然不清楚,特别是在非线性神经处理中.

研究的目的:

• 为了调和低维潜态和高维神经活动之间的明显冲突.
• 为了研究低维潜变量是否解释了小鼠视觉皮层中的高维活动.
• 开发一种方法,从非线性神经群体记录中推断潜在动态.

主要方法:

• 开发了一个可分析解决的RNN模型,展示了低维动态如何产生高维活动.
• 利用光谱理论来分析共变性自身光谱的局限性,以确定与非线性神经元的潜在维度.
• 介绍了神经交叉编码器 (NCE),一个可解释的神经记录的非线性潜变量模型.

主要成果:

• 拟议的RNN模型表明,低维潜态动力学确实可以产生高维活动多重体.
• NCE的分析表明,高维神经对漂移格子和视觉皮层自发活动的响应可以被减少到低维潜存在的状态.
• 然而,使用这种方法,神经对自然图像的反应不能减少到低维的潜伏.

结论:

• 在某些条件下观察到的高维神经活动 (例如,自发活动) 可以通过低维潜变量来解释.
• 个体神经元非线性地处理这些低维潜存在,导致观察到的高维人口活动.
• 视觉皮层中神经处理的维度可能取决于特定的刺激或行为背景.