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
- 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。
- 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)。
- 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
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
常见误区
出处
- Cunningham & Yu 2014, Nat Neurosci
- Gallego et al. 2017, Neuron