.png){kind=icon}
返回
Data-driven ANN-based visual decoding enables unsupervised functional alignment
.png){kind=icon}
OA
AI
DOI：10.1038/s42003-025-09486-7.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工神经网络（ANNs）提供了一种数据驱动的方法，用于揭示脑区功能，而无需明确的监督。在此，我们证明，一个训练用于解码猴子多单元放电活动中视觉刺激的ANN，不仅能重建复杂且动态的场景，还能自发地与典型的皮质视觉功能对齐。在没有任何区域特异性功能先验的情况下，该模型识别出与形状、颜色和运动处理相关联的关键脑区。我们提供了强有力的证据表明，尽管在记录位点水平上训练-测试数据集相关性较低，但基于ANN的模型能够学习在高位维群体水平上嵌入的任务相关表征，并实现可靠的解码性能。此外，通过反转架构并重新训练，我们展示了相同的网络可以从视觉输入预测区域特异性的放电模式，表明编码与解码之间存在双向关系。这些发现阐明了基于ANN的视觉解码作为一种强大的无监督功能对齐框架在神经系统中的应用。一个数据驱动的人工神经网络模型从猴子多单元放电活动中解码动态视觉刺激，高保真地重建形状、颜色和运动。它自发地与典型的皮质视觉功能对齐，无需区域先验，且其反向架构能从视觉输入预测神经放电，揭示了神经系统中编码-解码的双向性。
Keyword:
Artificial neural networks
Visual decoding
Functional alignment
Cortical processing
Spiking activity
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.1
论文数:
1.0W
被引数:
3.2W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容