辑变成可视化的结构。
他说：“核心思路，是用LSTM网络做时间序列预测，输入是M7过去十分钟的电活动特征，输出是未来五分钟的放电概率分布。当预测到异常放电概率超过阈值时，提前三十秒启动光刺激，而不是等异常出现了再补救。“
“三十秒的提前量，怎么确定的？“
“模拟测试，我们跑了三千组模拟数据，发现三十秒是最佳平衡点，提前量太短，来不及干预；提前量太长，误报率上升。三十秒时，灵敏度和特异性的乘积最大。“
“误报率多少？“
“8.3%，意味着每十二次预测触发中，有一次是假阳性。但假阳性的代价很小，只是多一次光刺激，没有副作用。“
杨平点点头，示意他继续。唐顺果然是一个优秀的复合型人才，他自己居然可以写算法。
唐顺翻到下一页：“硬件优化方面，我把数据维度从原来的二百五十六维压缩到六十四维，用的是主成分分析结合t-SNE降维。精度损失主要来自压缩过程，但我们在模型层面做了补偿，用更深的网络结构来提取特征。“
“训练数据够吗？“
“不够，“唐顺诚实地说，“M7的数据只有五周，样本量很小。我用的是迁移学习，先在大鼠的公开数据集上预训练，再用M7的数据做微调。“
杨平皱眉：“大鼠和灵长类的电活动模式差异很大，迁移学习的效果能保证吗？“
唐顺如实说：“不能保证，所以我在模型里加了一个自适应模块，可以根据M7的实时反馈，动态调整权重。如果迁移学到的特征不适用，模型会逐渐淡化它们，转而依赖M7自己的数据。“
杨平沉默了一会儿。然后他站起来，走到白板前，盯着那张复杂的网络结构图。
“唐顺，你知道这个方案的缺陷在哪里吗？“
唐顺愣了一下。
“缺陷……“他想了想，“自适应模块需要在线学习，这意味着模型会不断变化。变化本身可能带来不稳定性，如果M7的状态突然改变，比如感染、应激、或者药物反应，模型可能来不及适应。“
“对，还有呢？“
“还有……“唐顺的眉头越皱越紧，“LSTM网络的内部状态是黑箱，我们看不到它为什么做出某个预测。如果它错了，我们不知道错在哪里，也就无法手动修正。“
“对，“杨平再次点头，“还有最重要的一个。“
唐顺看着
…。。