bioRxiv（Neuroscience）· Yongxu Zhang·2026-10-09 08:00· 16 天前AI 评分41

SSLD：在共享神经-行为潜空间中学习可解释的切换动态

Learning Interpretable Switching Dynamics in Shared Neural-Behavioral Latent Space

AI 导读

研究者提出 Switching Shared Latent Dynamics（SSLD）框架，在神经活动与行为之间学习共享潜表征，并赋予该共享空间非线性切换循环动态，同时用私有潜变量捕捉模态特异变异。

AI 要点

团队

作者 Yongxu Zhang，原文未提及所属机构与团队。

主要结果

在模拟数据集和四个实验数据集上，SSLD 准确重建神经与行为信号，恢复出与实验定义行为时段对齐的离散状态，并在共享潜变量中分离出行为相关神经信息。

解决什么问题

现有共享表征学习不建模动态结构，动态模型又不区分共享的神经-行为结构与模态特有变异。

方法

提出 SSLD 框架，学习神经活动与行为共享的潜表征，并赋予其非线性切换循环动态；私有潜变量捕捉模态特有变异。在模拟数据集及四个数据集上评估：猴运动与前运动皮层伸手任务、体感皮层 bump 任务、小鼠背侧皮层宽场钙成像（自我发起决策与自发运动）。

局限

从研究设计看，为预印本，评估以重建与状态对齐为主，未涉及下游任务或因果验证。

AI 依据原文整理，未经人工核对。