C05 · Learning by neural reassociation
Golub, M.D., Sadtler, P.T., Oby, E.R., Quick, K.M., Ryu, S.I., Tyler-Kabara, E.C., Batista, A.P., Chase, S.M., & Yu, B.M. (2018). Nature Neuroscience, 21, 607–616. doi:10.1038/s41593-018-0095-3
在成功适应流形内 BCI 扰动的实验中，学习主要表现为把原有群体活动模式重新关联到运动方向。整体活动集合和若干协变指标变化较小，较符合 reassociation 模型。
核对版本：Zotero VR 集合中的本地 PDF（2026-09-18）；Zotero 条目 · 打开原文。图下页码均为该 PDF 的文件页序，从 1 开始，可能不同于期刊印刷页码。
背景
流形内扰动能够较快学会，但表现改善既可能来自新活动模式，也可能来自旧模式的新用途。已知的BCI映射允许对这些候选方案作定量比较。
研究思路
论文建立realignment、rescaling和reassociation三类预测，再检验群体活动范围、各维协变程度和行为表现。其主要结论适用于所分析的短期成功学习session，不应写成任何学习都只能使用既有模式。
方法
三只成年雄性恒河猴（J、L、N，7–8 岁），M1 手臂区 96 通道阵列，threshold crossing 按 45 ms bin 计数，每天 86.5–93.5 个单元。任务与 C04 一脉相承：8 目标 center-out BCI，光标半径 18 mm、目标半径 20 mm，限时 7.5 s。每天 80 个校准 trial 用 FA 拟合 10 维流形并标定 intuitive mapping（vt = A·vt−1 + B·zt + c 的 Kalman filter 形式），随后是 intuitive 块（猴 J 平均 382 trial、猴 L 269、猴 N 193）、within-manifold 扰动块（J 871、L 360、N 620），扰动方式是置换 10 个 factor 的顺序（等价于置换 B 的列）。只分析学得动的实验：要求成功率与获取时间在扰动块内有显著改善，猴 J 27/28、猴 L 11/14、猴 N 10/11 个实验入选，合计 48 个。学习前取最后 50 个成功 intuitive trial，学习后取表现最好的连续 50 个扰动 trial，并把各方向活动云的模式数配平。分析全部在 10 维 factor 空间进行，repertoire 改变量用"学习后每个模式到学习前 repertoire 的 K 近邻距离（Mahalanobis 距离），再除以学习前 repertoire 自身的 KNN 距离"来度量，零附近意味着 repertoire 保持，正值是扩张或平移，负值是收缩。
主要结果
第一组证据是 repertoire 保持。例示实验里（Fig. 3），学习前（黑）与学习后（红）的活动模式透过扰动映射投影到速度平面上，两个 98% 轮廓几乎完全重叠；分方向看，各运动云的改善主要靠"丢弃本方向旧云里不再合适的模式"和"吸纳其他方向旧云里的模式"完成——这正是 reassociation 的签名。定量的 KNN 距离分析（Fig. 4）显示数据分布贴着零，与 reassociation 的预测无显著差异（P=0.55，n=384，即 48 实验×8 方向），而 realignment 和 rescaling 都预测显著的正向 repertoire 改变（P<10⁻¹⁰），与数据明显不符。
第二组证据看协方差结构。沿 intuitive 映射和扰动映射所张维度的群体协变程度在学习前后都不变（P=0.19 和 P=0.069，n=48），而 realignment 预测沿扰动映射维度协变程度大增、rescaling 预测沿 intuitive 映射维度大增（两者与数据的差异 P<10⁻⁸）。更细致的一刀（Fig. 6）：把每个 factor 的 pushing magnitude（B 矩阵列向量的长度，即该维度活动"推"光标的力度）因扰动而发生的变化，与该维度方差的变化放在同一张散点图上——realignment 预测正相关，rescaling 预测负相关，reassociation 预测斜率为零，数据的斜率与零无异，与 reassociation 的预测无显著差异（P=0.76）。
第三组证据回到行为（Fig. 7）。学习后动物的表现确实大幅回升，但没有回到 intuitive 水平——这个不完全恢复本身就有信息量。realignment 预测的获取时间远好于动物实际达到的水平（P=1.6×10⁻⁹），rescaling 略好于实际（P=0.011），reassociation 的预测与实际行为几乎严丝合缝（P=0.46），连恢复不完全这一点都一并预测到了。最后，作者还堵了两个变种假设的退路（Fig. 8）：partial realignment（只需向最优位置迁移约 15% 就能匹配行为表现）预测的运动云位移远小于实测；subselection（每个运动只保留旧云里仍然合适的模式）预测运动云收缩，而数据显示的是大幅位移。综合起来，在本文短时流形内学习中，reassociation 是最符合所测结果的主要解释，尽管协变程度的细微波动里藏着一点 realignment 的影子，暗示两种过程可能并行、只是时间尺度悬殊。
逐图解读
来源：原文 Fig. 1，PDF 第 2 页。
图 1 · 实验范式与学习曲线。 (a) BCI 系统示意：动物调制群体活动驱动光标取目标，视觉反馈闭环。(b) 群体活动模式（黑点）分布在低维 intrinsic manifold（黄平面）内，intuitive 映射（黑线）与 perturbed 映射（红线）都被设计在流形之内——这篇只研究 within-manifold 扰动。(c) 例示实验（J20120525）的行为：获取时间与成功率的 50-trial 滑动曲线，黑窗是 intuitive 映射、红窗是扰动映射，映射切换瞬间表现跳水，随后几百个 trial 内回升；左右两个灰窗分别是"学习前""学习后"各 50 trial 的分析窗口。这张图交代了全部分析的时间骨架。
来源：原文 Fig. 2，PDF 第 3 页。
图 2 · 三个假设的概念图。 用 2 维活动、1 维速度做示意：(a) 学习前动物凭 intuitive 映射熟练控制，绿云对应"想向左"、紫云对应"想向右"，外侧虚线是高速模式的界线；(b) 换成扰动映射（红线）后，同样的云产生错误运动。(c) realignment：各云整体迁到新映射下的最优位置，长出虚线之外的新模式；(d) rescaling：扰动削弱了维度 1 的影响力，方差就沿维度 1 放大、沿维度 2 缩小，去恢复旧的输入输出关系；(e) reassociation：点的位置与 (b) 完全相同，但绿紫标签互换——模式被重新关联到不同意图。读图的关键是 (c)(d) 都动了总 repertoire，(e) 没动，后面所有定量检验都围绕这个分野展开。
来源：原文 Fig. 3，PDF 第 4 页。
图 3 · 例示实验：学习前后的活动云几乎完全重叠。 中央面板把学习前（黑）和学习后（红）的活动模式透过扰动映射投成 2 维速度——每个点是一个 45 ms 模式对光标速度的贡献，黑白轮廓各包住 98% 的点，两团几乎重合，直观呈现 repertoire 保持。周围八个小图按运动意图分方向展示学习后的云：例如 45° 方向学习前的模式平均产生接近零的速度，学习后则指向 45°；仔细看这些云的构成，改善主要来自丢掉旧模式、并入原本属于其他方向的云的模式，而不是长出新点。这张图是 reassociation 结论的定性源头，也是全文最值得盯着看的一张。
来源：原文 Fig. 4，PDF 第 5 页。
图 4 · repertoire 改变量的定量检验。 (a) 度量方法示意：对每个学习后的模式（彩色点），找它在学习前 repertoire（黑点）中的 K 近邻（彩色连线），距离按学习前 repertoire 自身的离散度归一。(b) 三只猴的数据（灰）与三个假设的预测并列：数据的中位数紧贴零线，与 reassociation 预测无差异（P=0.55，n=384），而 realignment（红）和 rescaling（黄）预测的扩张量远高于数据（P<10⁻¹⁰）。这张图是"整体活动集合变化较小"这一命题的主定量证据，K 取 1、2、5、10、20 结论都一样，说明不是近邻数选出来的 artifact。
来源：原文 Fig. 5，PDF 第 5 页。
图 5 · 沿映射维度的协变程度不变。 (a) 学习前后沿 intuitive 映射维度的协变程度散点贴着对角线（P=0.19，n=48）；(b) 沿扰动映射维度同样不变（P=0.069）。(c) 三个假设的预测落在不同的角落：realignment 预测沿扰动映射维度协变程度大增（要有更多活动在新控制空间方向上使劲），rescaling 预测沿 intuitive 映射维度大增，而数据的实际变化（插图放大区）与 reassociation 的预测挤在一起。这组分析与图 4 互补：图 4 看 repertoire 的"形状"，这里看它在两个功能方向上的"投影"，两条路都指向 repertoire 保持。
来源：原文 Fig. 6，PDF 第 6 页。
图 6 · 逐维度的方差变化不追随扰动。 (a, b) 例示实验中 intuitive 与扰动映射的 pushing vector（B 的列向量）：方向是该维度活动推光标的方向，长度是 pushing magnitude，十个维度按校准期解释的 shared variance 排序。(c, d) 两映射下各维度的 pushing magnitude，(e) 其逐维度变化量。(f) 把每个维度的方差变化对 pushing magnitude 变化作散点：数据（灰）看不出趋势，而 realignment（红）预测正相关（变化方向取决于模型如何重新配置活动）、rescaling（黄）预测负相关、reassociation（蓝）预测水平线。(g) 逐实验回归斜率的汇总：数据与 reassociation 的斜率无差异（P=0.76），与另外两者都显著不同（P<10⁻⁸）。这张图把检验下探到十个维度逐一对照，用于检验 rescaling 的维度特异预测。
来源：原文 Fig. 7，PDF 第 7 页。
图 7 · 行为表现更符合 reassociation 的预测。 每只猴一组柱状图：获取时间从"学习前 + intuitive 映射"的闭环实测（中位数猴 J 885 ms、L 974 ms、N 636 ms），到"学习前 + 扰动映射"的开环预测（不学习会有多差），再到"学习后 + 扰动映射"的闭环实测（学到了什么程度）。realignment 预测的学习后表现远好于实际（P=1.6×10⁻⁹），rescaling 略偏乐观（P=0.011），reassociation 的预测与实际数据无显著差异（P=0.46）。关键细节是动物学习后并未恢复到 intuitive 水平，而 reassociation 恰好预测了这种不完全恢复——既有活动范围约束下的再关联可以解释部分恢复，并不代表生物系统不可突破这一范围。
来源：原文 Fig. 8，PDF 第 8 页。
图 8 · 两个变种假设与所测数据不符。 (a) partial realignment 概念图：运动云只向最优位置迁移一部分——注意只需迁移约 15% 就能匹配动物的实际行为表现，所以行为数据本身区分不了它和 reassociation；(b) subselection 概念图：每个运动只保留旧云中在新映射下仍然合适的模式（实心点），其余弃用（空心点）。(c) 用与图 4 相同的的运动特异 repertoire 改变量做比较：实测（灰）的云位移远大于 partial realignment 的预测，而 subselection 预测的收缩模式与数据相反，两者都与数据差异显著（P<10⁻¹⁰，n=384）。这张图体现了作者的谨慎——检验了两种具体替代模型，但并未穷尽所有混合策略。
讨论与解读边界
文章区分了“仍在同一流形”与“仍使用原有活动集合”这两层约束。活动集合、协变结构和行为预测的联合比较支持 reassociation，而非所检验的完整 realignment 或 rescaling。这里的意图方向是依据任务和光标—目标关系估计的变量，不是直接读取的主观意图。
分析只纳入学习显著的48次实验，结论需限定于数小时、流形内扰动和这一筛选样本。未检出显著改变不等于每一个神经模式严格不变，也不排除较弱的混合策略。384个方向观测来自48次实验，不能当作384个独立动物或独立实验。
思考问题
- 将学习较弱或失败的实验纳入后，reassociation 对行为改善的解释力是否保持？
- 在多日训练中，活动重新关联与活动集合扩张是否有不同的出现时间？