Während neurowissenschaftliche Experimente wiederholt die Beteiligung großer Populationen von Neuronen an selbst einfachen Verhaltensweisen demonstriert haben, berichten diese Studien ebenso oft, dass die kollektiven Dynamiken der neuronalen Aktivität ungefähr nieder-dimensional sind. Infolgedessen haben Methoden zur Identifizierung niederdimensionaler latenter Repräsentationen von Zeitseriendaten in der Neurowissenschaft zunehmend an Bedeutung gewonnen. Allerdings ignorieren die meisten bestehenden Methoden entweder die zeitliche Struktur oder modellieren die zeitliche Entwicklung mithilfe latenter dynamischer Systemansätze. Im ersten Fall können Dynamiken im latenten Raum verzerrt oder sogar durcheinandergebracht werden, während im zweiten Fall viele mögliche latente Dynamiken zu denselben Daten führen können. Hier gehen wir diese Herausforderungen mit einem neuartigen Flussanpassungsansatz an, bei dem Daten durch ein Paar von Flussfeldern erzeugt werden, von denen eines die zeitliche Entwicklung steuert und das andere eine Zuordnung zwischen Daten und einem niederdimensionalen latenten Raum beschreibt. Wichtig ist, dass der dimensionalitätsreduzierende Fluss trainiert wird, um Verzerrungen der zeitlichen Dynamik zu minimieren und eine identifizierbare niederdimensionale Repräsentation zu lernen, die zeitliche Beziehungen in den ursprünglichen Daten bewahrt. Darüber hinaus beschränken wir unsere latenten Räume, um eine niederdimensionale Unterstützung auf eine sanfte, parametrisierte Weise zu haben, inspiriert von Ideen zu geschachteltem Dropout. Sowohl bei neuronalen als auch bei verhaltensbezogenen Daten zeigen wir, dass dieser duale Flussansatz sowohl interpretierbare Dynamiken als auch qualitativ hochwertigere Rekonstruktionen als konkurrierende Modelle liefert, selbst in datensatzn dominated von Rauschen, wo herkömmliche Ansätze versagen.
Wei et al. (Fri,) untersuchten diese Frage.