打开深度学习盒子

IF 21.2 1区医学 Q1 NEUROSCIENCES

Nature neuroscience Pub Date : 2025-04-04 DOI:10.1038/s41593-025-01938-x

Luis A. Mejia

引用次数: 0

摘要

基于深度学习的神经数据分析可以提取潜在表征，但由于其“黑箱”性质，往往缺乏可解释性。Tolooshams、Matias等人开发了一种基于深度学习的反卷积分析框架，用于学习局部低秩结构，该框架将算法展开与卷积稀疏编码结合为生成模型。该方法通过模型优化学习核重构神经数据，并将神经活动建模为核与稀疏码之间的卷积组合。重要的是，学习到的核和稀疏代码是可直接解释的，这有助于映射神经元的反应。这个框架被称为反卷积展开神经学习（DUNL），它可以反卷积个体多巴胺神经元奖励反应中的显著性和价值成分。它可以以一种无监督的方式学习核，正如来自体感丘脑的记录所展示的那样。DUNL甚至可以用来模拟自然的、非结构化的实验中的神经反应。使用可解释的深度神经网络对神经活动进行反卷积是基于模型的神经数据分析的重要下一章。原始参考文献：Neuron https://doi.org/10.1016/j.neuron.2025.02.006 （2025）

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文本刊更多论文

Opening the deep learning box

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊

Nature neuroscience 医学-神经科学

CiteScore

38.60

自引率

1.20%

发文量

212

审稿时长

1 months

期刊介绍： Nature Neuroscience, a multidisciplinary journal, publishes papers of the utmost quality and significance across all realms of neuroscience. The editors welcome contributions spanning molecular, cellular, systems, and cognitive neuroscience, along with psychophysics, computational modeling, and nervous system disorders. While no area is off-limits, studies offering fundamental insights into nervous system function receive priority. The journal offers high visibility to both readers and authors, fostering interdisciplinary communication and accessibility to a broad audience. It maintains high standards of copy editing and production, rigorous peer review, rapid publication, and operates independently from academic societies and other vested interests. In addition to primary research, Nature Neuroscience features news and views, reviews, editorials, commentaries, perspectives, book reviews, and correspondence, aiming to serve as the voice of the global neuroscience community.