视觉皮层的精简深度神经网络模型

理解视觉皮层所执行的计算，一个有力的方法是构建能够预测任意图像引发的神经反应的模型。深度神经网络（DNNs）已成为领先的预测模型，然而其底层计算过程仍被数百万参数所掩盖。在本研究中，我们通过寻求灵长类视觉皮层的具有预测性且简洁的DNN模型，对这种大规模模型的必要性提出了挑战。首先，我们通过在自适应闭环实验中交替进行数据收集和模型训练，构建了一个对猕猴视觉区V4神经反应具有高度预测性的DNN模型。随后，我们对这个包含6000万参数的大型“黑箱”DNN模型进行压缩，得到了参数数量减少5000倍但精度相当的紧凑模型。这种显著的压缩使得我们能够研究紧凑模型的内部工作机制。我们发现了一个显著的计算基序：紧凑模型在早期处理阶段共享相似的过滤器，但各个模型随后通过以不同方式“整合”这种共享的高维表征，来特化它们的特征选择性。我们在一个点检测模型神经元中研究了这一整合步骤，揭示了一种计算机制，为点选择性V4神经元提出了可验证的回路假说。除V4区外，我们发现猕猴视觉区V1和下颞叶皮层（IT）的模型也具有很强的压缩性，这揭示了视觉皮层的通用计算原则。总体而言，我们的研究挑战了“需要大型DNNs来预测单个神经元”的观点，并建立了一个平衡预测能力和简洁性的建模框架。