درود خدمت تمامی مخاطبان نوروسینتکس؛
بسیار خوشحالم که میزبان چند نشست از فصل «Computation Through Dynamics» هستم. من علیرضا پیانی، دانشجوی الگوریتم و محاسبات دانشگاه تهران هستم. رویکردی که شخصاً دنبال می‌کنم، فارغ از بررسی ماهیت «نورال مَنیفولد»، تعمیق در شناخته‌شده‌ترین روش‌های استخراج آن است. قصد داریم در طول زمان پیش برویم و سیر تکاملی و منطق ریاضیِ پشت هر روش را واکاوی کنیم.
پنج الگوریتمی که برای این مسیر انتخاب کرده‌ایم عبارت‌اند از:
FA (Factor Analysis)🔺
مدل خطی برای جداسازی واریانس مشترک جمعیت نورونی از نویز مستقل هر نورون، بدون در نظر گرفتن بُعد زمان.
GPFA (Gaussian Process Factor Analysis)🔺
تلفیق مدل‌های متغیر پنهان با فرآیندهای گاوسی، جهت استخراج مسیرهای زمانیِ هموار و پیوسته در فضای حالت.
LFADS🔺
مدلی زایا، عمیق و غیرخطی برای بازسازی دینامیک سیستم و تخمین نرخ شلیک نورون‌ها در تک‌تک آزمایش‌ها (Single-trial).
CEBRA🔺
رویکردی بر پایه یادگیری مقابله‌ای (Contrastive Learning) برای نگاشت هندسی فعالیت‌های عصبی بر منیفولدهای مشخص، با هدایت متغیرهای رفتاری یا زمان.
MARBLE🔺
چارچوبی مبتنی بر یادگیری هندسی (Geometric Learning) برای استخراج مستقیم «میدان‌های برداری و جریان دینامیکی» روی منیفولد، بدون وابستگی به دستگاه مختصات.
✅تلاش ما بر این است که هر رویکرد را در سه بستر آزمایشی مختلف ارزیابی کنیم:
▫️سیستم معلوم: جاذب لورنتس (Lorenz Attractor)
▫️سیستم نیمه‌معلوم: شبکه‌های عصبی بازگشتی از پیش آموزش‌دیده (Pre-trained RNN)
▫️سیستم مجهول زیستی: داده‌های عصبی (Neural Data)
هر رویکرد، سوگیری‌ها (Biases) و پیش‌فرض‌های خاص خود را بر داده تحمیل می‌کند؛ هدف ما شناخت دقیق این سوگیری‌هاست.
با ما همراه باشید.