狮子金融

将肉眼直接用来“照相”，也许将成为可能……

哈佛团队推出的新模子能够剖析神经信号，甚至从视觉皮层中直接提取影像。

相比于传统神经剖析工具，这项功效大大提高了识别效率和延续性。

Nature的编辑也评价它“十分优雅”：

这款模子名叫CEBRA（发音同zebra），是将对比式学习与非线性自力剖析相连系的产物。

一名团队成员示意，这个名字十分贴切，由于CEBRA可以把信息“条纹化”，就像斑马一样。

在小鼠身上举行的实验中，CEBRA视频剖析的准确率跨越了95%。

团队还发现，CEBRA在跨越大鼠和小鼠两个物种时的显示具有一致性。

以是可以展望CEBRA在其他物种上的应用，说不定人眼摄像机也会成为可能。

论文通讯作者也示意，未来的目的是将CEBRA集成到脑机接口中：

本质上，CEBRA是一个神经信号剖析模子。

以是它的技术不只有图像获取，只要和神经信号有关的事情，它都能做。

好比凭证神经流动来展望肢体的运动行为。

还可以凭证神经信号判断肢体流动是自动照样被动做出。

01 对比式非线性学习

行为或神经数据的降维压缩一直是神经信号识别中不能缺少的一环。

研究团队将对比式学习引入非线性自力身分剖析模子，提出了新的框架。

对比式学习是一种壮大的自驱动学习方式，使用出现对比关系的样本举行训练，以发现数据间的共性与个性。

用CEBRA的模子训练神经网络，可以获得一种编码器。

这种编码器则可以天生由动作或时间调控的低维嵌入空间。

首发比例超燃油车，新能源车呈现4大新气象

详细而言，是通过将离散或延续的变量与时间相连系使数据对获得漫衍，然后再交由编码器处置。

CEBRA获取神经流动嵌入时同时使用用户界说（监视驱动、假设式）和只带有时间（自驱动、发现式）的标签。

这一历程中，CEBRA将行为实时间标签与神经信号一并优化，映射到低维嵌入空间。

凭证数据集巨细的差异，优化盘算可以接纳批量盘算、随机梯度下降等差异方式。

优化后获得的低维嵌入既可以用于数据可视化，也可以在解码等下游事情中使用。

相比于传统的非线性降维方式，对比式训练无需天生模子，适用普遍性更强。

鲁棒性与适用性兼具

在事实信息重构的测试中，CEBRA的显示显著优于pi-VAE。

然后，团队又使用了一个海马数据集举行测试，该数据集被用来作为神经嵌入算法的基准。

在这一轮测试中，团队赋予了pi-VAE卷积网络加持，但最终效果仍是CEBRA更胜一筹。

鲁棒性方面，团队使用了代数拓扑学方式举行测试。

将CEBRA天生的低维嵌入投影到球面，团队发现了一个环形拓扑结构。

通过盘算Eilenberg-MacLane坐标发现，CEBRA的环形拓扑结构与（真实）空间跨维度匹配。

至于跨个体甚至物种的显示，团队在训练时就使用了包罗多种动物的数据集。

测试效果也注释，CEBRA天生的效果具有很高的个体间和种间一致性。

与完全在未见过的个体上举行训练相比，CEBRA的效果错误更少、效率也更高。

现实应用中，团队在小鼠身上举行了实验。

他们让小鼠频频旁观几段视频，并与小鼠视觉皮层的信号一并作为训练数据。

尚有一些视频则用作测试数据，效果显示，CEBRA视频剖析的准确率跨越了95%，远高于其他模子。