计算神经科学把大脑写成方程

知识地图 › 08 方法与工具 › 8.3

8.3

降维与神经流形

Dimensionality reduction

★★☆ 核心方法数据

上千个神经元的活动,往往只沿着十几个维度的"流形"变化。

核心要点

  1. PCA 找最大方差方向;因子分析(FA)显式建模私有噪声,解释更干净。
  2. 神经流形:不同任务/时间的活动轨迹落在同一低维结构上,可比较"几何"(如曲率、子空间夹角)。
  3. 非线性方法(Isomap、UMAP、autoencoder)能揭示弯曲结构,但距离解释要谨慎。

公式

X≈ W H,

W∈RN× k, H∈Rk× T, kll N

N 个神经元 × T 个时间点的矩阵,被分解为 k 个"神经模式"W 与它们的时间系数 H。

直觉

一百个人的表情看似千变万化,其实主要由"愉悦度"和"唤醒度"两个维度决定。降维就是在找这两个维度。

常见误区

用 UMAP 图讲"距离"。UMAP 只保留局部邻接关系,全局距离与簇间距离没有意义——不能据此声称"这两个状态更相似"。

出处

  • Cunningham & Yu 2014, Nat Neurosci
  • Gallego et al. 2017, Neuron
回到模块 08