PulseAugur
中
实时 09:08:17
English(EN) A Factorized Low-Rank RNN Framework for Uncovering Independent Neural Latent Dynamics and Connectivity

新RNN框架提升神经数据可解释性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为因子化循环神经网络（FacRNN）的新框架，以提高用于分析神经活动的低秩RNN的可解释性。该模型在潜在动力学之间引入了分组独立性，从而可以为不同的神经维度分配更明确的计算角色。在合成和真实神经数据上的实验表明，与标准的低秩RNN相比，FacRNN增强了学习到的神经轨迹和连接性的解耦和可解释性。 AI

影响 引入了一种新颖的解耦神经动力学的方法，有望增进对RNN在神经科学中应用的理解。

排序理由 该集群包含一篇详细介绍新模型框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Chengrui Li, Yunmiao Wang, Yule Wang, Weihan Li, Dieter Jaeger, Anqi Wu ·

    一种分解的低秩循环神经网络框架，用于揭示独立的神经潜在动力学和连通性

    arXiv:2511.13899v2 Announce Type: replace-cross Abstract: Low-rank recurrent neural networks (lrRNNs) are a class of models that uncover low-dimensional latent dynamics underlying neural population activity. Although their functional connectivity is low-rank, it lacks independenc…

相关话题