Spectral Analysis of Representational Similarity with Limited Neurons
Hyunmo Kang, Abdulkadir Canatar, SueYeon Chung
了解神经记录和计算模型之间的表示相似性对于神经科学至关重要,但由于可以同时记录的神经元数量的限制,因此难以可靠地测量。 在这项工作中,我们应用随机矩阵理论的工具来研究这些限制如何影响相似性测量,重点是中心内核对齐(CKA)和规范相关性分析(CCA)。 我们提出了一个表示相似性分析的分析框架,该框架将测量的相似性与底层表示的光谱特性联系起来。 我们证明,在有限神经元采样下,神经相似性被系统地低估,这主要是由于特征向量去定位。 此外,对于权力法人口光谱,我们表明,局部特征向量的数量作为记录神经元数量的平方根,为从业者提供了一个简单的经验法则。 为了克服采样偏差,我们引入了一种去质化方法,以推断出人群水平的相似性,即使使用小神经元样本也能进行准确的分析。 理论预测在合成和真实数据集上进行了验证,提供了在有限采样约束下解释神经数据的实用策略。
Understanding representational similarity between neural recordings and computational models is essential for neuroscience, yet remains challenging to measure reliably due to the constraints on the number of neurons that can be recorded simultaneously. In this work, we apply tools from Random Matrix Theory to investigate how such limitations affect similarity measures, focusing on Centered Kernel Alignment (CKA) and Canonical Correlation Analysis (CCA). We propose an analytical framework for rep...
