量化刺激相关的表征漂移：跨感知对比学习
摘要：V1神经编码中的表示漂移引发了关于精确解码如何在这些变化中保持的严重问题。在初级视觉皮层中，人们对于这种变化是直接调整偏移导致解码错误还是可以解释为行为或内部状态的变化并且可以通过刺激和状态的联合编码得到补偿，一直存在激烈的辩论。我们使用一组公开可访问的小鼠V1对自然电影的反应数据集，估计了刺激相关表示漂移对解码的影响。由于24只动物的唯一不变的感觉体验成分是它们都观看相同的自然电影，因此我们可以学习一个主体不变的高效神经表示，只保留刺激相关的成分。我们使用神经响应和刺激之间的对比学习来学习刺激相关特征的神经表示。这个学习到的表示通过最小化Bayes风险来使解码误差最小化。我们展示它可以精确地读取行为相关的刺激特征（时间、静态场景、光流和联合时空特征），分辨率为33ms，比之前探索的时间尺度更细。当我们使用一个记录会话中训练的模型来推导另一个记录会话上的特征激活时，解码性能减少了约40%。运动编码最易受到表示漂移的影响。此外，当我们将错误容忍窗口扩大到1秒时，我们恢复了跨会话的稳定刺激编码，与先前的研究结果相呼应。这表明，在快速时间尺度上变化的刺激特征的解码可能需要V1下游的复杂计算来补偿表示漂移。
作者：Siwei Wang, Elizabeth A de Laittre, Jason MacLean and Stephanie E Palmer
论文ID：2305.11953
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-05-23