深度学习新突破：DUNL 助力解析神经数据

为解决深度学习建模神经活动的 “黑箱” 问题，研究人员提出 DUNL 方法，助力理解神经活动机制。

　　亮点：DUNL（解卷积展开神经网络学习）是一种设计可解释人工智能算法以分析神经数据的新方法。它能将神经数据解卷积为一组稀疏的、可解释的局部成分。可跨脑区和记录模态进行单次试验分析。在基于试验和自然主义场景下，均能随数据集大小扩展。
总结：深度学习在模拟神经活动时被广泛应用，但常依赖 “黑箱” 方法，神经活动与网络参数之间缺乏可解释的联系。在此，研究人员提出使用算法展开（一种可解释深度学习方法）来设计稀疏解卷积神经网络的架构，并通过生成模型直接解释网络权重与刺激驱动的单神经元活动之间的关系。研究人员介绍了 DUNL 方法，并通过将其应用于跨多个脑区和记录模态解卷积单次试验局部信号，展示了该方法的通用性。研究人员揭示了中脑多巴胺神经元的多重显著性和奖励预测误差信号，在体感丘脑记录中进行了同步事件检测和特征描述，并在非结构化、自然主义实验中描述了梨状皮层和纹状体的神经反应异质性。这项研究利用可解释深度学习的进展，为理解神经活动提供了机制性的视角。