Core Concepts
Die Methode MARBLE ermöglicht eine datengesteuerte, interpretierbare Darstellung der nichtlinearen Dynamik neuronaler Populationen, die mit der Geometrie der neuronalen Aktivitätsmanifolds korrespondiert und über verschiedene Systeme hinweg konsistent ist.
Abstract
Die Studie präsentiert eine neue Methode namens MARBLE (Manifold Representation Basis LEarning), die eine datengesteuerte, interpretierbare Darstellung der nichtlinearen Dynamik neuronaler Populationen ermöglicht. MARBLE repräsentiert die Dynamik als statistische Verteilung lokaler Strömungsfelder (LFFs) über die neuronale Aktivitätsmanifold.
Durch eine geometrische Deep-Learning-Architektur lernt MARBLE eine ähnlichkeitserhaltende Abbildung der LFFs in einen gemeinsamen latenten Raum. Dies ermöglicht es, die Dynamik interpretierbar darzustellen und über verschiedene Systeme hinweg zu vergleichen, ohne auf Verhaltensinformationen angewiesen zu sein.
Die Autoren zeigen, dass MARBLE-Darstellungen im Vergleich zu anderen Methoden eine höhere Interpretierbarkeit und Decodierbarkeit aufweisen. Für rekurrente neuronale Netzwerke kann MARBLE kontinuierliche und qualitative Änderungen in der Dynamik bei Parameterveränderungen aufdecken. Für Experimente mit Makaken und Ratten liefert MARBLE Repräsentationen, die die Geometrie der Bewegungsmanifolds widerspiegeln und eine präzise Dekodierung der Kinematik ermöglichen. Darüber hinaus können MARBLE-Darstellungen über Tiere hinweg konsistent abgeglichen werden, was Anwendungen wie Brain-Computer-Schnittstellen ermöglicht.
Stats
Die Dynamik des Van-der-Pol-Oszillators auf einer Paraboloid-Mannigfaltigkeit mit variierender Krümmung zeigt einen abrupten Übergang zwischen stabilen und instabilen Regimes bei Variation des Dämpfungsparameters μ.
Die Dynamik rekurrenter neuronaler Netzwerke in einem Entscheidungsaufgabe weist eine Bifurkation auf, die mit einem Abfall der Aufgabenleistung korreliert.
Quotes
"MARBLE departs from the current modelling paradigm of learning the temporal evolution of the states in single isolated trajectories and instead represents the dynamics statistically over ensembles of trajectories using a latent distribution obtained from the local dynamical context of each sample point."
"Locality also implies that our method can generalise to assimilate different datasets without additional trainable parameters to increase the statistical power of the model even when individual datasets are poorly sampled."