从稀疏时间采样中学习神经群体活动的连续更新与控制

基于摘要分析。研究关注大脑如何在时间上连续更新和控制感觉或运动变量的内部表征，提出在神经网络损失中加入连续性方程，以减少学习连续动态过程所需的时间监督。作者报告，在跨眼跳位置更新任务中，仅提供刺激在眼跳前后的视网膜拓扑位置、而不指定中间过渡，或使用大幅降采样的时间轨迹，也能训练网络完成更新，并同时学习连接模式与控制信号。 核心机制：眼球向一个方向运动时，刺激的视网膜拓扑位置需向相反方向连续更新，该过程由眼跳运动指令的伴随放电（corollary discharge，CD）控制。作者此前的方法依赖每个时间步的目标位置轨迹；本研究以连续性方程约束神经群体活动的演化，使稀疏观测能够监督中间动态。摘要未给出方程的具体形式、损失权重、网络结构或 CD 的参数化方式，这些尚未验证。 作者将该机制与变量的分布式表征联系起来：连续性方程可作用于承载变量的神经群体活动波，因此作者认为这提示了分布式表征的一项潜在优势。该论点属于计算建模层面的解释，摘要不足以确认其生物学验证范围。实验采样间隔、对照基线、误差指标、消融及统计信息尚未验证，不能据此判断稀疏监督下的性能保持程度。 平台推测（待验证）：若 EEG 解码目标具有可定义的连续状态及可信的动态约束，该方法可能用于缓解连续运动变量标签稀疏的问题。可复用的是连续性约束思路；需改造的是从 EEG 观测到潜在状态的映射，以及适合目标变量的动力学与控制项。EEG 低信噪比、跨被试差异、通道变化和小数据可能使约束学到平滑但错误的轨迹，且神经群体活动波不能直接等同于头皮 EEG。可检验的小实验是在同一连续运动解码任务及相同数据划分下，比较稀疏标签训练中加入与不加入该约束的模型，并在未参与训练的密集时间标签上评估轨迹误差。已有 EEG 相关工作尚未检索确认。