ml-latent-neural-dynamics-survey

name	ml-latent-neural-dynamics-survey
description	Machine Learning Methods for Studying Latent Neural Activity Dynamics - IJCAI 2026 survey综述机器学习研究神经种群潜伏动力学结构的方法论，涵盖单区域潜伏动力学（LDS/RNN/Neural ODE）、多区域通信、行为对齐建模、神经基础模型（Transformer/扩散模型）
version	1
author	arXiv researchers
arxiv_id	2606.1053
paper_date	2026-06-09T00:00:00.000Z
keywords	latent neural dynamics, machine learning survey, neural population, brain decoding, LVM, neural foundation model
trigger_words	neural dynamics, latent variable model, neural population decoding, brain state space, multi-region communication, behavior-aligned modeling

ML方法研究潜伏神经动力学综述

论文定位

IJCAI 2026 survey track接受的综述论文，系统梳理机器学习方法研究大规模神经元群体潜伏结构的发展轨迹。

三大研究领域

1. 单区域潜伏动力学 Single-Region Latent Dynamics

线性模型

• Linear Dynamical Systems (LDS)：经典状态空间模型
• 因子分析：降维和潜伏变量提取

非线性模型

• Recurrent Neural Networks (RNN)：序列动力学建模
• Neural Ordinary Differential Equations (ODE)：连续时间动力学
• Latent Variable Models (LVM)：概率生成框架

2. 多区域通信 Multi-Region Communication

研究重点

• 信息跨脑区传输机制
• 突触传播延迟建模
• 网络连接性分析

方法论

• 概率模型：概率图模型表达区域间通信
• 子空间方法：低秩子空间分析通信模式
• 因果推断：区域间因果关系识别

3. 行为对齐建模 Behavior-Aligned Modeling

目标

• 解耦任务相关神经活动与其他内部状态
• 行为信号引导神经表征学习

方法

• 监督学习：行为标签引导潜在表征
• 对比学习：行为对比训练神经解码器
• 多任务学习：同时建模多种行为维度

神经基础模型 Neural Foundation Models

Transformer架构

• 大规模预训练跨主体优化性能
• 注意力机制建模神经元间依赖
• 位置编码表达时间结构

扩散模型

• 生成式建模神经活动分布
• 潜伏空间扩散学习复杂动力学
• 多模态融合行为和神经数据

预训练策略

• 跨被试迁移学习
• 自监督神经表征学习
• 行为对齐预训练目标

评估框架

基准测试 Benchmarks

• 解码准确率：行为预测性能
• 潜伏表征质量：重建和解释性
• 跨被试泛化：迁移学习能力

评估标准 Evaluation Criteria

• 模型可解释性：潜伏变量语义
• 计算效率：训练和推理开销
• 数据需求：样本量敏感性

开放挑战 Open Challenges

因果链接识别

• 区域间通信方向性推断
• 潜伏变量的因果作用
• 干扰效果的因果解释

方向性通信 Directionality of Communication

• 信息流向估计
• 时序因果分析
• 网络拓扑推断

可解释性 Interpretability

• 潜伏变量神经语义
• 动力学参数可解释性
• 行为-神经映射透明度

可扩展性 Scalability

• 大规模神经元群体
• 长时间序列数据
• 多模态数据融合

方法论洞察

模型选择原则

• 数据规模小：线性模型或简单LVM
• 复杂动力学：Neural ODE或RNN
• 跨区域分析：多区域通信模型
• 行为指导：行为对齐建模

训练策略

• 监督信号充足：监督学习
• 行为数据稀缺：自监督预训练
• 多任务场景：多任务学习框架