24.11.2025, 14:00 Uhr
Durchführung per Videokonferenz
Titel: „Learning representations from time-series data
with multi-step predictions“
Kurzfassung:
Das Verständnis dafür, wie neuronale Aktivität Verhalten steuert, erfordert die Analyse
hochdimensionaler, verrauschter neuronaler Zeitreihendaten. Aktuelle Ansätze des
Repräsentationslernens wie BunDLe-Net komprimieren neuronale Signale in niedrigdimensionale
Einbettungen, die Verhaltensinformationen bewahren, aber auf einstufige
Vorhersagen angewiesen sind, was ihre Fähigkeit einschränkt, langfristige zeitliche Abhängigkeiten
und Verhaltensmotive zu erfassen, die sich über längere Zeiträume entfalten.
Diese Arbeit untersucht, ob die Integration mehrstufiger Vorhersagen in neuronale Repräsentationslernframeworks
die Modellierung langfristiger neuraler Dynamiken verbessern
kann, indem die BunDLe-Net-Architektur erweitert wird. Unter Verwendung neuronaler
Aufzeichnungen von C. elegans während Sauerstoffstimulationsexperimenten vergleicht
die Forschung qualitativ und quantitativ verschiedene mehrstufige Vorhersageansätze,
einschließlich multiple-output, recursive und direct Vorhersagestrategien.
Das mehrstufige BunDLe-Net mit multiple-output, das alle zukünftigen Zustände
gleichzeitig in einem einzigen Vorwärtsdurchlauf vorhersagt, übertraf einstufige Ansätze
erheblich, indem es reichhaltige, interpretierbare neurale Repräsentationen lernte, die
verschiedene Verhaltensreaktionen klar voneinander trennten. Diese Ergebnisse zeigen,
dass mehrstufige Vorhersagen die Modellierung langfristiger neuraler Dynamiken erheblich
verbessern und interpretierbarere sowie verhaltensrelevantere Repräsentationen erzeugen.