《本文同步發(fā)布于“腦之說”微信公眾號，歡迎搜索關(guān)注~~》 這些年來，人們投入了相當(dāng)多的熱情在機(jī)器學(xué)習(xí)（Machine Learning）領(lǐng)域中，畢竟它讓電腦的表現(xiàn)在某些方面超過了人類，比如圖像分類，圍棋競賽，語音轉(zhuǎn)文本等，它也加速了許多科研領(lǐng)域的探索發(fā)現(xiàn)進(jìn)程。當(dāng)然，神經(jīng)科學(xué)也不例外，機(jī)器學(xué)習(xí)在神經(jīng)科學(xué)中的應(yīng)用一直都在快速增長，關(guān)于機(jī)器學(xué)習(xí)在神經(jīng)科學(xué)中應(yīng)用的論文比例也在持續(xù)增加（如圖1所示）。
圖1 近期，來自美國賓夕法尼亞大學(xué)生物工程系，神經(jīng)科學(xué)系以及加拿大高級研究所的研究團(tuán)隊在《Progress in Neurobiology》期刊發(fā)表了題目為《The roles of supervised machine learning in systems neuroscience》的研究論文，他們將監(jiān)督式機(jī)器學(xué)習(xí)方案在系統(tǒng)神經(jīng)科學(xué)中已有的和潛在的應(yīng)用分成了四大類，包括：一）用來解決系統(tǒng)神經(jīng)學(xué)中的工程問題；二）用來識別預(yù)測性變量；三）用來為簡單模型確定基準(zhǔn)；四）用來模擬大腦工作原理，如圖2所示。下面我們就來一一解讀。
圖2 ##1. 解決系統(tǒng)神經(jīng)學(xué)中的工程問題##
所謂工程問題，其實很大程度上可以轉(zhuǎn)換為預(yù)測問題。它們的共同點就是如果對某一個量Y感興趣，但得通過測量與Y相關(guān)的另一個量X，才能得到最終想要的結(jié)果Y。但是X和Y之間的具體關(guān)系是未知的或者非常復(fù)雜的。這樣的預(yù)測問題，就叫做工程問題。人們解決工程問題的傳統(tǒng)方法是要仔細(xì)地理解和推導(dǎo)X與Y之間千絲萬縷的聯(lián)系，試圖為這種復(fù)雜的關(guān)系建立一個準(zhǔn)確的預(yù)測模型，然后通過這個模型來預(yù)測由X的不同量值所產(chǎn)生的Y的結(jié)果，這個過程可能會非常困難。然而，機(jī)器學(xué)習(xí)的到來，改變了這種局面，使用監(jiān)督式機(jī)器學(xué)習(xí)的方案，并不需要懂得X與Y之間關(guān)系，只是需要提供給機(jī)器學(xué)習(xí)算法大量的已經(jīng)標(biāo)簽好了的X的量值和與之對應(yīng)的Y量值作為參考，機(jī)器學(xué)習(xí)的算法就可以自動推導(dǎo)出兩者的關(guān)系，自動建立預(yù)測模型，從而實現(xiàn)對大量新數(shù)據(jù)的預(yù)測。比如，準(zhǔn)備許多貓的圖片，每張圖片都標(biāo)簽為貓，讓機(jī)器學(xué)習(xí)算法自動演算出判斷一張圖片是貓的模型。這樣的工程問題在神經(jīng)科學(xué)中有很多例子，下面就從神經(jīng)活動或功能，以及神經(jīng)解剖學(xué)或神經(jīng)結(jié)構(gòu)這兩方面來談。
1.2 神經(jīng)活動/功能
許多醫(yī)學(xué)應(yīng)用依賴于從神經(jīng)活動的測量中成功地提取關(guān)于意圖、感覺或疾病的信息。如何提取是一個難題，因為神經(jīng)活動的意義，即神經(jīng)代碼，通常是未知的。目前，如果在有可能獲得大量的神經(jīng)活動數(shù)據(jù)集以及與之對應(yīng)的人們的行為或疾病數(shù)據(jù)的情況下，機(jī)器學(xué)習(xí)是完成這一任務(wù)的普遍方案，其中一個應(yīng)用是腦機(jī)接口(BCIs)，它試圖使用神經(jīng)信號來控制假肢、電腦光標(biāo)或其他外部物件。有好幾個研究團(tuán)隊通過記錄動作電位（Spike），腦皮層電圖（ECoG），腦電圖（EEG）來改進(jìn)了腦機(jī)接口的應(yīng)用。機(jī)器學(xué)習(xí)也可以通過人們過去的神經(jīng)活動來預(yù)測未來的神經(jīng)活動，比如用來預(yù)測即將發(fā)生的癲癇。機(jī)器學(xué)習(xí)的另外一個應(yīng)用是利用神經(jīng)活動來進(jìn)行神經(jīng)狀態(tài)的診斷，如利用神經(jīng)影像數(shù)據(jù)進(jìn)行老年癡呆癥的分類，用來檢測精神疾病等。盡管神經(jīng)信號相當(dāng)復(fù)雜，但隨著大量神經(jīng)檢測數(shù)據(jù)的獲取，機(jī)器學(xué)習(xí)也會逐漸提高這些應(yīng)用的準(zhǔn)確性。
機(jī)器學(xué)習(xí)也有潛力幫助人們從某些疾病中恢復(fù)起來，這就要解決如何準(zhǔn)確預(yù)測外部刺激所引起的腦內(nèi)神經(jīng)活動的問題。如果想要通過外部刺激神經(jīng)來誘導(dǎo)人們產(chǎn)生相應(yīng)的感覺，那么解決這樣的問題非常重要。其中一個例子是義眼，它需要利用攝像頭捕捉到的影像數(shù)據(jù)來刺激視網(wǎng)膜神經(jīng)節(jié)細(xì)胞，讓盲人產(chǎn)生相應(yīng)的視覺。同樣，機(jī)器學(xué)習(xí)方案可以用來讓假肢成為連接外部世界與神經(jīng)系統(tǒng)的媒介，根據(jù)外部信息來刺激人們軀體的感覺神經(jīng)元，從而使人們產(chǎn)生相應(yīng)的感覺。
人們也可以用機(jī)器學(xué)習(xí)來分析人類自然行為的視頻影像以及錄音數(shù)據(jù)，做一些神經(jīng)控制方面的理解與研究。機(jī)器學(xué)習(xí)還可以用來解決從神經(jīng)活動的原始測量數(shù)據(jù)中對其來源準(zhǔn)確估計的逆運算問題，這適用于許多成像方法，如EEG，MEG，fMRI等。比如，研究人員可以根據(jù)頭皮上的電極記錄來估計腦電圖信號（EEG ）的來源。機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)模型可以通過去噪和反卷積來產(chǎn)生超分辨率的圖像，甚至可以替換整個圖像處理流程。除了圖像方面的應(yīng)用，對時間序列數(shù)據(jù)的反卷積也是另一個普遍的應(yīng)用。例如，一旦研究人員獲得了細(xì)胞鈣濃度的蹤跡，但仍然面臨一個困難的逆算問題，即推斷出潛在的動作電位Spike出現(xiàn)的時間。這種情況下，利用機(jī)器學(xué)習(xí)算法提供了一個很好的解決方案。
總之，在神經(jīng)科學(xué)各個方面，許多困難的工程性問題都可以用機(jī)器學(xué)習(xí)算法來對標(biāo)簽好的數(shù)據(jù)集進(jìn)行學(xué)習(xí)，從而建立預(yù)測數(shù)據(jù)之間聯(lián)系的模型。
1.3 神經(jīng)解剖學(xué)/神經(jīng)結(jié)構(gòu)
機(jī)器學(xué)習(xí)在神經(jīng)解剖學(xué)中的應(yīng)用也很廣泛，比如，可以利用核磁共振成像和擴(kuò)散張量成像等神經(jīng)解剖學(xué)的測量，來診斷許多疾病，比如老年癡呆癥，精神分裂癥，抑郁癥，自閉癥和多動癥等。甚至可以用基于深度卷積神經(jīng)網(wǎng)絡(luò)算法（DCNN）的機(jī)器學(xué)習(xí)模型從視網(wǎng)膜眼底照片中預(yù)測心血管疾病的危險因素。因為神經(jīng)解剖學(xué)的主要研究是要分析圖像，所以更適合用基于計算機(jī)視覺的機(jī)器學(xué)習(xí)算法，來執(zhí)行大量圖像的分類和標(biāo)簽工作，比如在MRI掃描中識別白質(zhì)束，從電子顯微鏡中了解神經(jīng)元的連接和形態(tài)等?？傊?，機(jī)器學(xué)習(xí)正成為重建和繪制神經(jīng)解剖學(xué)的重要甚至必要的工具。
1.4 警告說明
盡管機(jī)器學(xué)習(xí)為神經(jīng)科學(xué)提供了很多解決工程問題的方案，但它也不是萬能的，它的成功需要一些前提條件。首先，必須要提前準(zhǔn)備和標(biāo)簽好大量數(shù)據(jù)集來訓(xùn)練機(jī)器學(xué)習(xí)模型，第二，要為不同情況選擇合適的機(jī)器學(xué)習(xí)算法模型，比如卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）適用于有共同局部特征（比如有邊緣的影像）的數(shù)據(jù)，否則成功率會不如標(biāo)準(zhǔn)的前饋神經(jīng)網(wǎng)絡(luò)模型（FNN）高。第三是要防止機(jī)器學(xué)習(xí)產(chǎn)生“過適合”的問題，也就是說它只對已經(jīng)標(biāo)簽好的訓(xùn)練數(shù)據(jù)有效，而對新的數(shù)據(jù)預(yù)測效果不好。第四個方面是效率問題，在面對大量的數(shù)據(jù)和復(fù)雜關(guān)系的情況下，機(jī)器學(xué)習(xí)可能很慢，而且需要足夠的計算機(jī)軟硬件資源，因此研究人員不得不在各種模型和有限的資源下進(jìn)行權(quán)衡，盡可能地找出對各方面都適合的優(yōu)化解決方案。 ##2. 識別預(yù)測性變量##
神經(jīng)科學(xué)家通常需要研究這樣的問題，比如，哪些大腦區(qū)域可以互相預(yù)測？哪些大腦區(qū)域包含與人們做決策相關(guān)的信息? 哪種細(xì)胞類型會受到某種疾病的影響？等等。機(jī)器學(xué)習(xí)可以幫助研究人員更準(zhǔn)確地識別這些信息之間的相互聯(lián)系，特別是當(dāng)這種關(guān)系是復(fù)雜的、非線性的的關(guān)系，這樣的關(guān)系在神經(jīng)系統(tǒng)中很常見。弄懂這些問題可以讓研究人員更好地理解大腦各區(qū)域之間、刺激、行為等方面的聯(lián)系。
弄懂這些解決方案的總體策略與解決工程性方法的策略相似，只是側(cè)重點不同，解決工程性問題的策略側(cè)重于把預(yù)測模型的準(zhǔn)確性最大化，而解決識別預(yù)測性變量的方案側(cè)重于弄清哪一個預(yù)測變量對于預(yù)測結(jié)果起決定性作用，研究人員用到的方法有兩種，一是留一法，也就是去掉其他預(yù)測性變量，只留一個變量來觀察其對預(yù)測結(jié)果的影響，二是擇優(yōu)法，也就是將多個變量逐一進(jìn)行預(yù)測運算，看哪個的預(yù)測結(jié)果最準(zhǔn)確。執(zhí)行這些策略的方式大概分為兩種，第一種是傳統(tǒng)方法，利用由人工假設(shè)出來的簡單模型來對數(shù)據(jù)進(jìn)行線性回歸等分析和預(yù)測，從而檢驗?zāi)Ｐ团c數(shù)據(jù)的配合系數(shù)。這是許多科學(xué)領(lǐng)域中所用到的普遍方法，但是它的缺點是需要人們假設(shè)一個簡單模型，這很可能是不準(zhǔn)確的。比如，假設(shè)的兩個變量（X，Y）之間關(guān)系的簡單模型是 Y = mX+b，但其實真正的關(guān)系卻是Y=cos X。那么，盡管X和Y之間有很強(qiáng)的關(guān)系，但m （X和Y之間的相互作用）的值將是0。第二種方法是機(jī)器學(xué)習(xí)方法，它的優(yōu)勢在于，即使當(dāng)變量之間的關(guān)系是未知的或非線性的時候，也不需要人們預(yù)先設(shè)定一個簡單模型，就可以評估出變量對于預(yù)測結(jié)果的重要性。另外，通過自助法（Bootstrapping），人們甚至可以找到預(yù)測性變量的重要性值的可靠區(qū)間。
在機(jī)器學(xué)習(xí)算法中精準(zhǔn)地確定特征的重要性也有助于創(chuàng)建更簡單的模型，與其為一個模型使用許多輸入，不如只使用重要的特征作為輸入。例如，確定神經(jīng)元的哪些形態(tài)特征對細(xì)胞類型最具預(yù)測性，可以引導(dǎo)我們建立更精確的形態(tài)生成模型（基于最具預(yù)測性的特征）。這種方法是為了檢查那些用作原始輸入到機(jī)器學(xué)習(xí)模型中的相同的變量。通常人們尋找的特征會與原始輸入的變量不同。例如，在視覺中，原始輸入的變量可能只是簡單的單像素，然后人們就會用確定預(yù)測性變量的方案把最相具預(yù)測性的像素找出來。然而，正如下面會講到的，神經(jīng)科學(xué)中的許多問題都遵循輸入變量是感興趣的變量的形式。
2.1 神經(jīng)活動/功能
神經(jīng)科學(xué)家在建立神經(jīng)編碼模型方面有著悠久的歷史，該模型旨在基于外部世界的變量來預(yù)測神經(jīng)活動(例如，單個神經(jīng)元的動作電位（Spikes），或fMRI體素中的BOLD信號)。這是一種識別大腦區(qū)域功能的常用方法。編碼模型的構(gòu)建是一個回歸問題(從外部世界變量回歸到神經(jīng)活動)，它的目的是主要是確定特征的重要性而不是單純地知道預(yù)測能力。
如果更簡單的方法在描述神經(jīng)活動時同樣準(zhǔn)確，那么機(jī)器學(xué)習(xí)對于編碼模型就沒有必要了。然而實際情況通常并非如此。例如，最近發(fā)現(xiàn)XGBoost和集成方法（Ensemble Method）顯著改善了來自運動皮層、體感皮層和海馬體的數(shù)據(jù)集的性能。這些改進(jìn)與計算神經(jīng)學(xué)（Computational Neuroscience）中普遍存在的廣義線性模型（Generalized Linear Models）有關(guān)。其他研究人員也在別的領(lǐng)域和模式中用XGBoost和深度學(xué)習(xí)（Deep Learning）改進(jìn)了預(yù)測性。這些例子都提醒我們，雖然簡單的模型可能看起來是可解釋的，但它們可能忽略了外部變量與神經(jīng)功能相關(guān)的重要方面。改進(jìn)編碼性能可以更廣泛地讓研究人員了解哪些協(xié)變量（Co-Variate）可以預(yù)測神經(jīng)活動。這概括了向簡單模型添加附加變量和觀察性能增長的常見方法。例如，使用XGBoost構(gòu)建頭部方向神經(jīng)元編碼模型的研究，考察了編碼模型中不同協(xié)變量（如受試者頭部的方向）的相對貢獻(xiàn)。這樣就可以確定協(xié)變量的重要性，而無需假設(shè)關(guān)系的形式。
反過來，從這個大腦區(qū)域的活動中可以讀出什么信息，也可以回答關(guān)于神經(jīng)信息內(nèi)容和特定大腦區(qū)域或細(xì)胞類型的作用的問題。例如，研究人員使用解碼方法來比較人們在做決策任務(wù)的過程中，在頂葉和前額葉皮質(zhì)中的神經(jīng)群與任務(wù)相關(guān)的預(yù)測性。另外，也比較了人們在從事不同任務(wù)的情況下，對他的運動皮層的解碼結(jié)果，以便確定大腦中的不確定性與不同的行為上的不確定性有什么關(guān)系。譯碼方法的選擇對譯碼性能有很大的影響。最近，研究人員用了不同的機(jī)器學(xué)習(xí)算法，對人們的運動皮層、體感皮層和海馬結(jié)構(gòu)的數(shù)據(jù)集進(jìn)行了徹底的測試，結(jié)果表明，現(xiàn)代機(jī)器學(xué)習(xí)，如神經(jīng)網(wǎng)絡(luò)和集成方法，增加了解碼的準(zhǔn)確性，這樣可以增加人們對神經(jīng)群體中包含多少關(guān)于另一個變量的信息的理解，比如一個決策、運動或位置。
神經(jīng)科學(xué)家通常想要確定哪些變量對人們行為有影響，這樣他們就可以將這些變量與神經(jīng)活動聯(lián)系起來?？梢詰?yīng)用機(jī)器學(xué)習(xí)來發(fā)現(xiàn)哪些變量可以預(yù)測行為，比如，要確定哪些視覺神經(jīng)特征可以預(yù)測我們接下來會看哪里，研究人員注意到，比起傳統(tǒng)的手工測試方法，用基于深度學(xué)習(xí)的機(jī)器學(xué)習(xí)算法更準(zhǔn)確地預(yù)測了注視點的位置。而更精確的行為模型可以讓研究人員更好地研究神經(jīng)活動和行為之間的關(guān)系。
在醫(yī)學(xué)上，理解可以預(yù)測疾病的潛在因素很重要。這可以通過傳統(tǒng)分類技術(shù)來發(fā)現(xiàn)神經(jīng)影像特征的重要性（如在邏輯回歸分類器中決定哪些功能連接指標(biāo)可以預(yù)測老年癡呆癥）。最近的研究使用了各種各樣的方法通過深度學(xué)習(xí)分類器（Deep Learning Classifiers）來確定重要的特征（例如，確定預(yù)測多動癥和精神分裂癥的fMRI連接關(guān)系）。這種方法在動物模型上也取得了成功。例如，在患有抑郁癥的小白鼠中，研究人員確定了哪些前額葉皮層和邊緣區(qū)域的神經(jīng)活動的特征（比如力量和連貫性）可以預(yù)測病理行為。然后他們能夠利用這些信息設(shè)計一個神經(jīng)刺激范式來使小白鼠恢復(fù)正常行為。通過在這些應(yīng)用中使用機(jī)器學(xué)習(xí)，研究人員能夠測試他們的變量是否能夠預(yù)測疾病，而不必假設(shè)它們之間的關(guān)系。
2.2 神經(jīng)解剖學(xué)/神經(jīng)結(jié)構(gòu)
就像神經(jīng)活動一樣，機(jī)器學(xué)習(xí)可以幫助研究人員更好地理解大腦的神經(jīng)解剖學(xué)特征是如何預(yù)測疾病的。一般的方法是構(gòu)建一個機(jī)器學(xué)習(xí)分類器來確定一個受試者是否患有疾病，然后觀察該分類器中的特征（例如大腦區(qū)域或連接）的重要性。例如，研究人員訓(xùn)練了一個支持向量機(jī)分類器的機(jī)器學(xué)習(xí)算法，用基于擴(kuò)散加權(quán)成像的圖論特征來預(yù)測抑郁癥。另外一些研究者訓(xùn)練了一個隨機(jī)森林算法的機(jī)器學(xué)習(xí)分類器，通過結(jié)構(gòu)磁共振影像來預(yù)測老年癡呆癥，然后確定哪個大腦區(qū)域是最具有預(yù)測老年癡呆癥的區(qū)域。
神經(jīng)元有著復(fù)雜的形狀和不同的生物結(jié)構(gòu)，在不同的大腦區(qū)域和物種之間的差異很大。目前對神經(jīng)元進(jìn)行分類的方法有許多種: 電生理學(xué)、形態(tài)學(xué)、遺傳學(xué)和突觸連接等方法。機(jī)器學(xué)習(xí)可以輔助這些分類方法。
總之，在一切神經(jīng)解剖學(xué)的領(lǐng)域之中，機(jī)器學(xué)習(xí)可以幫助人們識別神經(jīng)元的重要特征，并改變我們對神經(jīng)解剖學(xué)的看法。
2.3 警告說明
在使用機(jī)器學(xué)習(xí)識別哪個變量具有預(yù)測性的的時候，也需要注意在前面提到的機(jī)器學(xué)習(xí)注意事項，比如，要準(zhǔn)備高質(zhì)量的訓(xùn)練數(shù)據(jù)集，防止“或適合”等問題。并且在解讀機(jī)器學(xué)習(xí)模型預(yù)測的結(jié)果時，要特別留意的是，這些結(jié)果并沒有對變量之間的因果關(guān)系做出任何斷言，并不能排除那些沒有被觀察到的其他變量的影響。
在機(jī)器學(xué)習(xí)模型里，確定數(shù)據(jù)的某些特征在預(yù)測關(guān)系中的重要性并不是確定預(yù)測性變量的唯一方法。也可以通過計算信息論（Information Theory）提出的互信息(Mutual Information)來決定一個變量對另一個變量的信息量，并且有時也是不需要對數(shù)據(jù)的格式做一些前提假設(shè)。然而，對于有高維度的數(shù)據(jù)集（峰電位序列Spike Trains），如果沒有對數(shù)據(jù)格式做出基于假設(shè)前提，那么計算互信息的時間代價就太高了。
##3. 為簡單模型確定基準(zhǔn)##
在生物學(xué)科中對生理系統(tǒng)建模有很多科研目的，機(jī)器學(xué)習(xí)的模型不一定完全適合。許多生理模型包含了人們對生物體工作機(jī)制的假設(shè)。而神經(jīng)元的Hodgkin–Huxley模型就是這種類型的典型例子。而機(jī)器學(xué)習(xí)方法大體上只是為了預(yù)測結(jié)果，不會建立生理機(jī)制的假設(shè)模型。但是人們基于假設(shè)建立的簡單模型只有在它能夠準(zhǔn)確預(yù)測數(shù)據(jù)的前提下才有意義。人們可以通過測試數(shù)據(jù)來驗證一個假設(shè)模型的準(zhǔn)確性。但是通常很難知道多少誤差來自于噪音源以及模型本身的不足。在這個方面，機(jī)器學(xué)習(xí)的預(yù)測結(jié)果可以作為一個近似上限，來給人們參考。如果人們建立的簡單模型的預(yù)測表現(xiàn)不如機(jī)器學(xué)習(xí)完成同樣任務(wù)來得準(zhǔn)確，那么在這個簡單模型中，很可能有什么重要的原則被漏掉了。反過來，如果它的預(yù)測表現(xiàn)與機(jī)器學(xué)習(xí)的預(yù)測結(jié)果相匹配，那么很有可能這個模型是有意義的，但也不是絕對的。而人們確定簡單模型基準(zhǔn)的傳統(tǒng)方法是，通過比較這個簡單模型與另外一個簡單模型的預(yù)測結(jié)果，看誰更準(zhǔn)確，但是這種比較模式有一個陷阱，如果兩個模型都不準(zhǔn)確或者一個比另一個準(zhǔn)確，抑或是兩個模型都準(zhǔn)確，這些結(jié)果都有漏掉某些重要現(xiàn)象的風(fēng)險。機(jī)器學(xué)習(xí)可以幫助人們盡量避免這種陷阱。
簡單模型可以與數(shù)據(jù)子集的基準(zhǔn)進(jìn)行比較，這可以幫助研究人員確定他們的模型在哪些方面需要改進(jìn)。例如，有一個關(guān)于人們執(zhí)行任務(wù)A和任務(wù)B的大腦活動的簡單模型, 如果這個模型的預(yù)測結(jié)果對于任務(wù)A更符合于機(jī)器學(xué)習(xí)測試結(jié)果的基準(zhǔn)，但對于任務(wù)B來說并不符合基準(zhǔn)。這就告訴我們，需要更多地考慮到任務(wù)B而對簡單模型進(jìn)行修正。因此，使用機(jī)器學(xué)習(xí)基準(zhǔn)還可以告訴我們模型的哪些組件需要改進(jìn)。
3.1 神經(jīng)活動/功能
神經(jīng)科學(xué)研究的一個重要部分是建立簡單的神經(jīng)活動模型，來預(yù)測神經(jīng)活動如何導(dǎo)致行為。一個典型的例子是，V1感受野可以用LGN感受域的前饋投影來解釋。當(dāng)提出這些簡單模型時，將它們的預(yù)測性能(預(yù)測神經(jīng)活動或行為的好壞)與機(jī)器學(xué)習(xí)的結(jié)果進(jìn)行比較會很好?？梢蕴峁┮恍╆P(guān)于神經(jīng)活動或行為的關(guān)鍵信息。遺憾的是，關(guān)于新模型的基準(zhǔn)在神經(jīng)科學(xué)中相當(dāng)少見。
最近的研究表明，在神經(jīng)科學(xué)中，機(jī)器學(xué)習(xí)的基準(zhǔn)測試在預(yù)測性能方面通常明顯優(yōu)于簡單模型。特別是神經(jīng)網(wǎng)絡(luò)模型往往比傳統(tǒng)的簡單模型更好地描述神經(jīng)活動。比如，神經(jīng)網(wǎng)絡(luò)可以更好地預(yù)測視網(wǎng)膜神經(jīng)節(jié)細(xì)胞，靈長類V4和IT，聽覺皮層的活動。這些結(jié)果清楚地證明了舊的簡單模型的缺陷。使用機(jī)器學(xué)習(xí)來為簡單模型制定基準(zhǔn)的另一個好處是，這些比較有時候可以揭示當(dāng)前模型所缺乏的內(nèi)容。例如，如果簡單模型是基于靜態(tài)線性方法的，而使用卷積神經(jīng)網(wǎng)絡(luò)（RNN）的機(jī)器學(xué)習(xí)方法能夠比這個模型提供更好的預(yù)測結(jié)果，那么可能很有必要去修正這個簡單模型，讓它包含動態(tài)或非線性的方法。
3.2 神經(jīng)解剖學(xué)/神經(jīng)結(jié)構(gòu)
機(jī)器學(xué)習(xí)還可以用在對描述神經(jīng)解剖學(xué)的簡單模型進(jìn)行基準(zhǔn)測試。例如，人們提出了許多模型來描述神經(jīng)元形態(tài)的復(fù)雜性。有一些簡單的模型描述了神經(jīng)元在分支點處的直徑，分支直徑對其長度的線性依賴，和神經(jīng)元的分形維數(shù)及其自相似性之間的關(guān)系。在所有這些模型中，人們可以對原始數(shù)據(jù)使用機(jī)器學(xué)習(xí)技術(shù)來制定這些模型的性能上限。這有望使神經(jīng)解剖學(xué)建模更加準(zhǔn)確。
3.3 警告說明
簡單模型的預(yù)測結(jié)果與機(jī)器學(xué)習(xí)的預(yù)測結(jié)果相匹配，不一定保證它真正有效。因為機(jī)器學(xué)習(xí)本身可能出現(xiàn)前面談到的問題，比如“過適合”，機(jī)器學(xué)習(xí)模型的選擇，數(shù)據(jù)量大小等。而且用機(jī)器學(xué)習(xí)來指定簡單模型的基準(zhǔn)不是唯一的方法，有時候最好的基準(zhǔn)是一個生物體本身而不是一個模型。并且用機(jī)器學(xué)習(xí)來標(biāo)定簡單模型的解釋上限也不是唯一的方法。也有別的替代方案。
預(yù)測的準(zhǔn)確度只是使模型有效的許多條件之一。其他的條件，像生物學(xué)上的合理性，當(dāng)然也應(yīng)該考慮在內(nèi)。高準(zhǔn)確度并不保證模型可以代表真實系統(tǒng)的實際工作原理。因為可能有其他模型也能夠?qū)崿F(xiàn)類似的性能。因此，獲得最大的預(yù)測性能是一個簡單模型有效性的必要標(biāo)準(zhǔn)，但肯定不是一個充分的標(biāo)準(zhǔn)。
##4. 用來模擬大腦工作原理##
對于大腦生理機(jī)制的建模不僅僅是為了預(yù)測想要的結(jié)果，也可以作為人們對大腦工作原理的理解。最近流行這樣的說法，說深度神經(jīng)網(wǎng)絡(luò)(DNN)可能會是大腦工作原理的良好模型。因為許多近期的實驗研究指出兩者之間有意想不到的的相似之處。由于神經(jīng)網(wǎng)絡(luò)在許多任務(wù)方面獲得的成功，比如圖像識別等，于是，這種對兩者進(jìn)行比較的趨勢也被點燃。研究人員發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)在識別圖象的任務(wù)中與人類視覺系統(tǒng)有許多相似之處。比如，這些神經(jīng)網(wǎng)絡(luò)具有明確的層次結(jié)構(gòu)和多層結(jié)構(gòu)。來自圖像像素的信息通常要經(jīng)過十幾層以上的神經(jīng)元或節(jié)點來處理。除了它們相似的組織外，它們的激活方式也是相似的。例如，已經(jīng)觀察到早期節(jié)點具有類似于Gabor的接受域（Gabor-like receptive fields），這讓人聯(lián)想到V1中的邊緣檢測器。除了視覺系統(tǒng)，神經(jīng)網(wǎng)絡(luò)與大腦也有其他方面的某些相似之處。這些研究的形式，幾乎都是基于同一個行為任務(wù)，來比較與之相關(guān)的大腦區(qū)域的內(nèi)部神經(jīng)反應(yīng)特性，和一個神經(jīng)網(wǎng)絡(luò)模型在處理這個任務(wù)時的內(nèi)部反應(yīng)特性。30年前發(fā)表的一項開創(chuàng)性研究表明，后頂葉神經(jīng)元的特性與在機(jī)器學(xué)習(xí)中訓(xùn)練視覺場景中定位物體的神經(jīng)網(wǎng)絡(luò)之間存在相似性。最近，研究人員發(fā)現(xiàn)經(jīng)過場景識別訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確預(yù)測枕部區(qū)域（Occipital Place Area）的反應(yīng)；經(jīng)過語音識別和音樂類型預(yù)測訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有類似于聽覺皮層的活動；用于重現(xiàn)猴子動作的遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks）包含的活動單元與初級運動皮層神經(jīng)元的選擇性非常相似；在導(dǎo)航任務(wù)中訓(xùn)練的遞歸神經(jīng)網(wǎng)絡(luò)單元具有類似于內(nèi)嗅皮層和海馬體的網(wǎng)格和定位細(xì)胞的激活模式?？傊斯ど窠?jīng)網(wǎng)絡(luò)和大腦的反應(yīng)特性的相似性表明了這些模型可能捕捉到大腦計算的重要方面。
但這些神經(jīng)網(wǎng)絡(luò)模型的一個共同缺點是，盡管它們能很好地預(yù)測神經(jīng)活動，但它們不能揭示正在進(jìn)行的神經(jīng)計算的細(xì)節(jié)。另外，在學(xué)習(xí)水平上，大腦和神經(jīng)網(wǎng)絡(luò)不太相似。大腦是否能夠像目前的神經(jīng)網(wǎng)絡(luò)一樣以一種類似監(jiān)督的方式進(jìn)行學(xué)習(xí)，這是一個公開且有爭議的問題。而且神經(jīng)網(wǎng)絡(luò)模型在生物學(xué)上是不現(xiàn)實的。不過最近有很多工作試圖創(chuàng)造更符合生物學(xué)特征的神經(jīng)網(wǎng)絡(luò)模型。
這些關(guān)于大腦和神經(jīng)網(wǎng)絡(luò)之間的類比引發(fā)了神經(jīng)科學(xué)研究重點的變化。例如，人們可能會把注意力放在大腦正在優(yōu)化的哪些代價函數(shù)上，而不是神經(jīng)網(wǎng)絡(luò)的最終特性上。同樣，專注于確定大腦執(zhí)行的學(xué)習(xí)規(guī)則也很重要。研究人員最近在一篇獨立的綜述中討論了其中的一些問題，特別關(guān)注了神經(jīng)科學(xué)應(yīng)該如何從機(jī)器學(xué)習(xí)中理解神經(jīng)網(wǎng)絡(luò)。
4.1 警告說明
神經(jīng)網(wǎng)絡(luò)是人們對大腦的工作原理假設(shè)出來的抽象模型。這個模型抽象到了什么程度？目前包括多少大腦功能？還有許多關(guān)鍵的爭議。誠然，大腦可以做許多神經(jīng)網(wǎng)絡(luò)做不到的事情，神經(jīng)網(wǎng)絡(luò)需要預(yù)先接受大量的數(shù)據(jù)來進(jìn)行訓(xùn)練，但如果人腦來做同樣的事情，往往只需要幾個例子就足夠了，雖然在處理數(shù)據(jù)的量上人腦不如神經(jīng)網(wǎng)絡(luò)，但在許多問題上神經(jīng)網(wǎng)絡(luò)往往會犯人腦不會犯的低級錯誤。在某些任務(wù)上，比如分類任務(wù)，人腦和神經(jīng)網(wǎng)絡(luò)的高層功能和處理結(jié)果雖然是類似的，但是在各自底層的工作機(jī)制上面卻有許多不同。另外有一個普遍的觀點是，人們認(rèn)為大腦中的很多學(xué)習(xí)并不是通過監(jiān)督式學(xué)習(xí)來實現(xiàn)的。大腦的很多行為可能更接近于無監(jiān)督式學(xué)習(xí)(Unsupervised Machine Learning)或者是強(qiáng)化學(xué)習(xí)（ReinforcedMachine Learning）。
這些差異使得人們很難準(zhǔn)確地判定神經(jīng)網(wǎng)絡(luò)就是大腦的良好模型。在生理學(xué)，解剖學(xué)等各個領(lǐng)域，對這個問題的答案都有所不同。既然短期還難以確定，那么未來十幾年人們研究的一個核心問題將是：確定哪些生物神經(jīng)網(wǎng)絡(luò)的細(xì)節(jié)可以被有效地抽象提取出來？以及哪些細(xì)節(jié)可以增加一種與當(dāng)前神經(jīng)網(wǎng)絡(luò)所包含的功能完全不同的功能。
##5. 總結(jié)討論##
這篇論文討論了監(jiān)督式機(jī)器學(xué)習(xí)在系統(tǒng)神經(jīng)學(xué)中的四種主要的應(yīng)用。也相信各方面的應(yīng)用會繼續(xù)深化增長。與任何建模一樣，該文希望提醒讀者，在解釋機(jī)器學(xué)習(xí)模型時一定要謹(jǐn)慎。高可預(yù)測性并不意味著因果關(guān)系。這一點尤其正確，因為在神經(jīng)科學(xué)中有許多未觀察到的變量。例如，由于其他未觀察到的變量，模型中一個變量的表面重要性可能是不準(zhǔn)確的。高準(zhǔn)確度是模型正確性的必要條件，但不是充分條件。這是因為會有大量不同的潛在的模型同樣可以很好地解釋數(shù)據(jù)。這是用機(jī)器學(xué)習(xí)對大腦建模和識別預(yù)測變量的一個困難，但這不會影響機(jī)器學(xué)習(xí)在各領(lǐng)域中的應(yīng)用。除了監(jiān)督式機(jī)器學(xué)習(xí)模型，還有其他機(jī)器學(xué)習(xí)模型，比如非監(jiān)督式以及強(qiáng)化學(xué)習(xí)等模型，它們也在神經(jīng)科學(xué)領(lǐng)域中有廣泛的應(yīng)用。但那些應(yīng)用沒有包含在該文的討論范圍中。隨著神經(jīng)科學(xué)中數(shù)據(jù)量的迅速增長和結(jié)構(gòu)的復(fù)雜化。人們需要機(jī)器學(xué)習(xí)來輔助研究和管理這些數(shù)據(jù)，畢竟，一個人看數(shù)據(jù)的量和時間，以及對數(shù)據(jù)結(jié)構(gòu)各方面的注意力是有限的。有時候需要機(jī)器學(xué)習(xí)的協(xié)助來彌補(bǔ)那些遺漏或隱藏的東西。
一直以來，信息的流動是多方向的，神經(jīng)科學(xué)家都在致力于改進(jìn)機(jī)器學(xué)習(xí)技術(shù)，許多機(jī)器學(xué)習(xí)技術(shù)都受到了大腦和神經(jīng)科學(xué)思想的啟發(fā)。同時，隨著機(jī)器學(xué)習(xí)技術(shù)自身的發(fā)展，以及對神經(jīng)科學(xué)領(lǐng)域的大數(shù)據(jù)的獲取，機(jī)器學(xué)習(xí)技術(shù)也會不斷進(jìn)步，越來越準(zhǔn)確和易用，并且更加深入地滲透到神經(jīng)科學(xué)的各個領(lǐng)域中產(chǎn)生積極的效果。
參考文獻(xiàn)： The roles of supervised machine learning in systems neuroscience.Progress in Neurobiology,Volume 175 （2019）Page 126-137. |
