发布日期: 2025-11-11

更新日期: 2025-11-12

文章字数: 972

阅读时长: 3 分

阅读次数:

⚠️ 以下所有内容总结都来自于大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验

2025-11-11 更新

TRACE: Contrastive learning for multi-trial time-series data in neuroscience

Authors:Lisa Schmors, Dominic Gonschorek, Jan Niklas Böhm, Yongrong Qiu, Na Zhou, Dmitry Kobak, Andreas Tolias, Fabian Sinz, Jacob Reimer, Katrin Franke, Sebastian Damrich, Philipp Berens

Modern neural recording techniques such as two-photon imaging or Neuropixel probes allow to acquire vast time-series datasets with responses of hundreds or thousands of neurons. Contrastive learning is a powerful self-supervised framework for learning representations of complex datasets. Existing applications for neural time series rely on generic data augmentations and do not exploit the multi-trial data structure inherent in many neural datasets. Here we present TRACE, a new contrastive learning framework that averages across different subsets of trials to generate positive pairs. TRACE allows to directly learn a two-dimensional embedding, combining ideas from contrastive learning and neighbor embeddings. We show that TRACE outperforms other methods, resolving fine response differences in simulated data. Further, using in vivo recordings, we show that the representations learned by TRACE capture both biologically relevant continuous variation, cell-type-related cluster structure, and can assist data quality control.

现代神经记录技术，如双光子成像或Neuropixel探针，能够获取大量神经元响应的时间序列数据集。对比学习是一种强大的自监督框架，用于学习复杂数据集的表现形式。现有的神经时间序列应用依赖于一般的数据增强，并没有利用许多神经数据集中固有的多次试验数据结构。在这里，我们提出了TRACE，一个新的对比学习框架，它通过平均不同试验子集来生成正样本对。TRACE允许直接学习二维嵌入，结合了对比学习和邻近嵌入的思想。我们表明，TRACE优于其他方法，能够在模拟数据中解决细微的响应差异。此外，通过使用体内记录，我们证明了TRACE所学习的表示能够捕捉生物学上相关的连续变化、与细胞类型相关的集群结构，并有助于数据质量控制。

论文及项目相关链接

PDF

Summary
神经记录技术如双光子成像或Neuropixel探针可获取大量神经元的时间序列数据集。对比学习是一个强大的自监督框架，用于学习复杂数据集的表现。现有神经时间序列的应用依赖于一般的数据增强，并未充分利用许多神经数据集中的多试验数据结构。本文介绍TRACE，一种新的对比学习框架，通过对不同试验子集求平均生成正样本对。TRACE结合了对比学习和邻域嵌入的思想，可以直接学习二维嵌入。实验表明，TRACE在其他方法上表现出优势，解决了模拟数据中的精细响应差异。此外，使用体内记录的数据显示，TRACE所学习的表征能够捕获生物学上相关的连续变异、与细胞类型相关的集群结构，并有助于数据质量控制。

Key Takeaways