Latent Graph Learning verbessert generative Modelle neuronaler Signale

Forscher haben ein neues Verfahren namens Latent Graph Learning entwickelt, das die zeitlichen Interaktionsgraphen und die höhere Struktur aus neuronalen Signalen extrahiert. Durch den Einsatz von numerischen Simulationen neuronaler Schaltkreise, deren Verbindungsnetzwerk bekannt ist, konnten sie die Genauigkeit der erlernten Modellgewichte prüfen und verschiedene Hypothesen testen.

Die Ergebnisse zeigen, dass die aus den Modellen gewonnenen Netzwerkdarstellungen in moderatem Maße mit den tatsächlichen gerichteten Graphen übereinstimmen, während die sogenannten Co‑Input‑Graphen eine sehr starke Übereinstimmung aufweisen. Diese Erkenntnisse legen den Grundstein für die Integration graphbasierter geometrischer Beschränkungen in die Entwicklung großer Basismodelle für neuronale Daten.