[论文解读] Interpretable Nonlinear Dynamic Modeling of Neural Trajectories

Yuan Zhao, Il Memming Park|arXiv (Cornell University)|Aug 23, 2016

Neural dynamics and brain function参考文献 23被引用 15

一句话总结

该论文提出了一种非线性、可解释的动力学模型，通过基函数和全局收缩机制，从神经轨迹中学习连续的速度场，确保稳定且相空间有限的动力学行为。该模型成功恢复了关键动力学特征（如不动点、分岔和吸引子），并在合成数据和真实神经数据中实现了可靠的长期预测，优于线性模型在捕捉非线性动力学方面的表现。

ABSTRACT

A central challenge in neuroscience is understanding how neural system implements computation through its dynamics. We propose a nonlinear time series model aimed at characterizing interpretable dynamics from neural trajectories. Our model assumes low-dimensional continuous dynamics in a finite volume. It incorporates a prior assumption about globally contractional dynamics to avoid overly enthusiastic extrapolation outside of the support of observed trajectories. We show that our model can recover qualitative features of the phase portrait such as attractors, slow points, and bifurcations, while also producing reliable long-term future predictions in a variety of dynamical models and in real neural data.

研究动机与目标

• 为解决从观测时间序列数据中重构可解释神经动力学的逆问题。
• 克服线性模型和不稳定非线性自回归模型在捕捉真实神经动力学方面的局限性。
• 通过施加全局收缩和低维连续动力学，确保模型的鲁棒性和可解释性。
• 实现可靠的长期预测，并识别不动点和慢流形等定性动力学特征。
• 通过结构化、可解释的建模框架，弥合神经科学中的理论动力系统与经验神经时间序列之间的鸿沟。

提出的方法

• 该模型通过涉及 $ r $ 个连续基函数 $ \bm{\phi}(\vx_t) $ 的参数化方式，直接学习速度场 $ \vg(\vx_t) $，其中 $ \vg(\vx_t) = \vW_g\bm{\phi}(\vx_t) - e^{-\tau^2}\vx_t $。
• 通过全局收缩项 $ -e^{-\tau^2}\vx_t $，确保动力学处于有限相空间体积内，防止轨迹发散，提升泛化能力。
• 通过 $ \vB(\vx_t) $ 建模输入依赖的动力学，其中 $ \operatorname{vec}(\vB(\vx_t)) = \vW_B\bm{\phi}(\vx_t) $，实现对流场的输入调制。
• 不动点被定义为方程 $ \vg(\vx^*) + \vB(\vx^*)\vu = 0 $ 的解，而鬼点则被定义为 $ \|\vg\| $ 的局部极小值且幅值较小的点。
• 通过小 $ \Delta $ 实现时间可逆的连续时间近似，支持反向积分，相较于标准 NARX 模型具有更高的可解释性。
• 该方法采用两步流程：首先推断潜在轨迹（例如通过 vLGP），然后将可解释的动力学模型拟合到推断出的轨迹上。

实验结果

研究问题

• RQ1 非线性动力学模型能否可靠地从神经轨迹中恢复吸引子、不动点和分岔等定性特征？
• RQ2 该模型在训练窗口之外的长期动力学预测性能如何，特别是在混沌或非线性系统中？
• RQ3 引入全局收缩先验是否能提升泛化能力并防止神经动力学建模中的非物理解释外推？
• RQ4 该模型能否在捕捉真实神经数据中的振荡和非线性特征方面优于线性动力系统？
• RQ5 速度场参数化在多大程度上能够实现对稳定性与流形结构的可解释性分析？

主要发现

• 该模型在洛伦兹系统和环形吸引子等合成模型中，成功恢复了关键动力学特征，包括不动点、慢点和分岔。
• 在洛伦兹系统中，模型实现了每 50 步一次的 50 步准确预测，且在 200 步窗口内，预测轨迹与真实轨迹高度吻合。
• 在 V1 神经数据中，该模型在刺激呈现期间优于线性动力系统（LDS），能够更好地捕捉振荡动力学，但在刺激关闭期间对细节的捕捉能力较弱。
• 引入全局收缩项显著减少了剧烈的外推现象，提升了模型稳定性，尤其是在远离训练数据的区域。
• 不动点和鬼点被可靠地识别为 $ \|\vg\| $ 的局部极小值，从而实现了对亚稳态动力学和分岔事件的检测。
• 速度场参数化使得在不动点附近可直接进行线性化，从而便于稳定性分析和流形表征。