超越线性回归：认知神经科学中的映射模型应与研究目标保持一致
摘要：使用大量特征集来预测和解释脑活动模式是许多认知神经科学研究的方法。特征集可以采用多种形式，从人类刺激注释到深度神经网络中的表示。在所有这些研究中，映射模型的选择至关重要，它定义了特征和神经数据之间可能的关系空间。直到最近，大多数编码和解码研究都使用线性映射模型。近年来，随着大型数据集和计算资源的日益可用，一些研究人员最近开始使用更灵活的非线性映射模型。然而，非线性映射模型是否能够产生有意义的科学见解的问题仍然存在争议。在这里，我们讨论了在三个总体要求（预测准确性、可解释性和生物合理性）的背景下选择映射模型的问题。我们表明，与普遍的直觉相反，这些要求并不能简单地映射到线性/非线性的界限上；相反，每个要求可能涉及多个研究目标，每个目标对映射模型施加自己的约束。此外，我们认为，与其将映射模型范畴性地视为线性或非线性，我们应该力求估计这些模型的复杂性。我们表明，在许多情况下，复杂性更能准确地反映出各种研究目标所施加的限制。最后，我们概述了几种可以有效评估映射模型的复杂性指标。
作者：Anna A. Ivanova, Martin Schrimpf, Stefano Anzellotti, Noga Zaslavsky, Evelina Fedorenko, Leyla Isik
论文ID：2208.10668
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-12-07