Interpretable statistical representations of neural population dynamics and geometry

要約

タイトル：神経集団動態とジオメトリの分かりやすい統計表現

要約：

– タスクを行っている間のニューロン集団のダイナミクスは、しばしば低次元の多様体上で進化する。
– ジオメトリとダイナミクスの貢献を区別して、関連する行動変数を表現することは依然として課題となっている。
– ここでは、局所位相ポートレート特徴の統計的分布に基づく非線形動的システムを表現する、ジオメトリに配慮したディープラーニングフレームワークを紹介する。
– 我々の手法は、計測された軌道に基づく動力学の偏見のない比較のための堅牢な幾何学的表現を提供する。
– 我々の統計的表現は、計算メカニズムを識別するために神経ネットワークのインスタンスにも概念を汎化することができ、手の運動学にジオメトリ的一致を持つ霊長類の手伸ばし課題における神経ダイナミクスの解釈可能な埋め込みを得て、最先端の精度を持つ復号アルゴリズムを開発することができた。
– 我々の結果は、より良い復号アルゴリズムを開発し、実験間でデータを同化するために時間情報よりも固有の多様体構造を使用することの重要性を示している。

要約(オリジナル)

The dynamics of neuron populations during diverse tasks often evolve on low-dimensional manifolds. However, it remains challenging to discern the contributions of geometry and dynamics for encoding relevant behavioural variables. Here, we introduce an unsupervised geometric deep learning framework for representing non-linear dynamical systems based on statistical distributions of local phase portrait features. Our method provides robust geometry-aware or geometry-agnostic representations for the unbiased comparison of dynamics based on measured trajectories. We demonstrate that our statistical representation can generalise across neural network instances to discriminate computational mechanisms, obtain interpretable embeddings of neural dynamics in a primate reaching task with geometric correspondence to hand kinematics, and develop a decoding algorithm with state-of-the-art accuracy. Our results highlight the importance of using the intrinsic manifold structure over temporal information to develop better decoding algorithms and assimilate data across experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI