ترجمه فارسی مقاله تولید فعالیت عصبی مبتنی بر انتشار از کدهای نهفته‌ی تفکیک‌شده

چکیده

Recent advances in recording technology have allowed neuroscientists to monitor activity from thousands of neurons simultaneously. Latent variable models are increasingly valuable for distilling these recordings into compact and interpretable representations. Here we propose a new approach to neural data analysis that leverages advances in conditional generative modeling to enable the unsupervised inference of disentangled behavioral variables from recorded neural activity. Our approach builds on InfoDiffusion, which augments diffusion models with a set of latent variables that capture important factors of variation in the data. We apply our model, called Generating Neural Observations Conditioned on Codes with High Information (GNOCCHI), to time series neural data and test its application to synthetic and biological recordings of neural activity during reaching. In comparison to a VAE-based sequential autoencoder, GNOCCHI learns higher-quality latent spaces that are more clearly structured and more disentangled with respect to key behavioral variables. These properties enable accurate generation of novel samples (unseen behavioral conditions) through simple linear traversal of the latent spaces produced by GNOCCHI. Our work demonstrates the potential of unsupervised, information-based models for the discovery of interpretable latent spaces from neural data, enabling researchers to generate high-quality samples from unseen conditions.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در فناوری ضبط ، به دانشمندان علوم اعصاب این امکان را داده است تا فعالیت هزاران نورون را به طور همزمان نظارت کنند.مدلهای متغیر نهفته برای تقطیر این ضبط ها در بازنمایی های جمع و جور و قابل تفسیر به طور فزاینده ای ارزشمند هستند.در اینجا ما یک رویکرد جدید برای تجزیه و تحلیل داده های عصبی ارائه می دهیم که از پیشرفت در مدل سازی تولیدی مشروط استفاده می کند تا استنتاج بدون نظارت از متغیرهای رفتاری جدا نشده از فعالیت عصبی ثبت شده را فراهم کند.رویکرد ما بر روی infodiffusion ایجاد می شود ، که مدل های انتشار را با مجموعه ای از متغیرهای نهفته که عوامل مهمی از تغییر در داده ها را ضبط می کنند ، تقویت می کند.ما مدل خود را به نام تولید مشاهدات عصبی با شرط کدهای با اطلاعات بالا (GNOCCHI) ، برای داده های عصبی سری زمانی اعمال می کنیم و کاربرد آن را در ضبط های مصنوعی و بیولوژیکی فعالیت عصبی در حین رسیدن آزمایش می کنیم.در مقایسه با یک اتوآنمان متوالی مبتنی بر VAE ، Gnocchi فضاهای نهفته با کیفیت بالاتر را می آموزد که با توجه به متغیرهای کلیدی رفتاری ، ساختار یافته تر و از هم جدا شده تر هستند.این خصوصیات تولید دقیق نمونه های جدید (شرایط رفتاری غیب) را از طریق گذرگاه خطی ساده از فضاهای نهفته تولید شده توسط گنوچی امکان پذیر می کنند.کار ما پتانسیل مدل های بدون نظارت و مبتنی بر اطلاعات را برای کشف فضاهای نهفته قابل تفسیر از داده های عصبی نشان می دهد ، و محققان را قادر می سازد تا نمونه های با کیفیت بالا را از شرایط غیب تولید کنند.