Latent Diffusion for Neural Spiking Data

要約

神経科学における最新のデータセットにより、複雑な行動と同時に記録された多数のニューロンの活動との関係について、前例のない調査が可能になります。
潜在変数モデルは、そのような記録から低次元の埋め込みをうまく抽出できますが、それを使用して、特に動作に依存した方法で現実的なスパイク データを生成することには、依然として課題が伴います。
ここでは、低次元潜在空間を備えた拡散ベースの生成モデルである、ニューラル スパイキング データの潜在拡散 (LDNS) を紹介します。LDNS は、構造化状態空間 (S4) レイヤーを備えたオートエンコーダーを使用して、離散的な高次元スパイキング データを投影します。
連続的な時間調整された潜在。
これらの推論された潜在力に基づいて、表現力豊かな (条件付き) 拡散モデルをトレーニングし、現実的な単一ニューロンおよび集団スパイク統計を使用してニューラル活動をサンプリングできるようにします。
合成データで LDNS を検証し、潜在構造、発火率、スパイク統計を正確に復元します。
次に、発話試行中の人間の皮質活動を模倣する可変長データを生成することで、その柔軟性を実証します。
潜在状態によって媒介されない単一ニューロンのダイナミクスを説明する表現力豊かな観察モデルを LDNS に装備し、生成されたサンプルの現実性をさらに高める方法を示します。
最後に、さまざまな到達動作中の運動皮質活動について訓練された条件付き LDNS は、到達方向や目に見えない到達軌跡が与えられた場合に現実的なスパイク データを生成できます。
要約すると、LDNS は低次元潜在の推論とニューラル スパイキング データセットの現実的な条件付き生成を同時に可能にし、実験的に検証可能な仮説をシミュレートするさらなる可能性を開きます。

要約(オリジナル)

Modern datasets in neuroscience enable unprecedented inquiries into the relationship between complex behaviors and the activity of many simultaneously recorded neurons. While latent variable models can successfully extract low-dimensional embeddings from such recordings, using them to generate realistic spiking data, especially in a behavior-dependent manner, still poses a challenge. Here, we present Latent Diffusion for Neural Spiking data (LDNS), a diffusion-based generative model with a low-dimensional latent space: LDNS employs an autoencoder with structured state-space (S4) layers to project discrete high-dimensional spiking data into continuous time-aligned latents. On these inferred latents, we train expressive (conditional) diffusion models, enabling us to sample neural activity with realistic single-neuron and population spiking statistics. We validate LDNS on synthetic data, accurately recovering latent structure, firing rates, and spiking statistics. Next, we demonstrate its flexibility by generating variable-length data that mimics human cortical activity during attempted speech. We show how to equip LDNS with an expressive observation model that accounts for single-neuron dynamics not mediated by the latent state, further increasing the realism of generated samples. Finally, conditional LDNS trained on motor cortical activity during diverse reaching behaviors can generate realistic spiking data given reach direction or unseen reach trajectories. In summary, LDNS simultaneously enables inference of low-dimensional latents and realistic conditional generation of neural spiking datasets, opening up further possibilities for simulating experimentally testable hypotheses.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google