Nethobench：预测设计与条件信息如何塑造生成神经动力学的结构真实性

基于摘要分析。该研究针对神经群体活动预测中的评估问题提出 Nethobench：在随机且部分可观测的系统中，预测轨迹与一次实际观测吻合，并不等同于保留生成过程的统计与动力学结构。其贡献是从分布、时间—频谱、关系、几何及状态动力学五类指标评估结构一致性，补充逐点预测评价。 作者使用定向扰动和动力学已知的随机系统验证基准，并将其应用于小鼠钙成像、小鼠 Neuropixels 记录及人类颅内记录，以经验参照校准指标解释。作者报告，Nethobench 能检出定向引入的结构失效；对于来自正确合成过程的独立样本，即便轨迹不匹配，也可给出较高结构评分，并能追踪训练过程及域偏移下的结构变化。 模型比较考察了预测形式、架构、训练方式及损失对结构指标表现的影响。作者报告，在 OmniMouse 的一个留出会话中，输入消融比较显示，在视频之外加入行为信息可改善全部五类指标的均值；这一结果不能直接推广至其他会话或被试。在 Brain Treebank 上，作者报告 analog retrieval 通过更多结构检查，而多步 GRU 对实际观测轨迹的预测更好，说明两类评价可能产生不同的模型排序。 作者据此建议，将经校准的分指标族结构度量与逐点准确性、适当概率评分及任务特定终点共同报告。摘要未提供各指标定义、校准阈值、样本规模、完整划分、数值结果或统计检验；实验协议、消融及统计信息尚未验证。研究包含人类颅内记录，但摘要未报告 BCI 任务表现，不宜将结构保真度改善直接解释为 BCI 解码收益。