NeuroLens：从长期记录中学习神经语义的潜在嵌入

arXiv:2610.02864v1 公告类型：new 摘要：理解神经活动如何表征高阶认知，以及这些表征如何随时间演化，长期以来一直是神经科学领域的核心研究方向。然而，现有分析工具难以在长期神经记录中有效区分表征可塑性与记录不稳定性。本文提出 NeuroLens（Latent Embeddings of Neural Semantics），这是一种基于 Joint-Embedding Predictive Architecture (JEPA) 框架的自监督模型，能够从长期神经记录中学习去噪且具有语义信息的潜在表示。自适应编码器将不断变化的神经元群体映射到一个共同的潜在空间中，而时间预测器则学习支持预测未来潜在状态的结构。通过在潜在空间中进行预测，NeuroLens 能够捕捉时间上可预测的结构，并降低对瞬态、特定于记录的变异的敏感性。在小鼠和人类的长期皮层内数据上，所学习的表示提升了对决策和语义任务变量的解码效果。多日预训练使模型能够泛化到未来会话，快速以少量样本适应未见过的神经元群体，并且相比当前最先进的基线方法，在随时间变化的解码任务中表现出更高的稳定性。总体而言，这些结果确立了 NeuroLens 这一研究范式，可用于研究神经表征在学习过程中及长期时间尺度上的变化。