【普林斯顿博士论文】深度学习方法用于发现高维神经数据中的可解释潜在动态

文章预览

许多科学领域正在通过深度学习等新技术进行革命，以揭示复杂高维数据背后的动态。然而， 将这些强大的新方法应用于神经科学的挑战仍处于起步阶段。在这里，我们描述了多年来我们深度学习方法的发展，旨在通过仅使用少量潜在维度，发现大规模神经元群体中的非线性动态。与现有的主要方法不同，我们方法的低维特性使得所学的动态系统更易于解释，甚至可以显式可视化系统的向量场和吸引子结构。 我们的方法利用了神经微分方程（NDEs），这是一类深度递归神经网络模型，相比经典的递归神经网络，能够在低维空间中实现更复杂的计算。这种在低维度中的复杂性有助于提取可解释且有效的低维动态，这些动态可能是数据集或任务的核心。我们解决了将NDEs应用于神经数据时的若干技术挑战，并开发了一种神经动态发现方法，称为FINDR（基 ………………………………