基于前向-后向消息传递的可微分部分可观测广义线性模型
机器学习
2024-02-08 v2 神经元与认知
摘要
部分可观测广义线性模型（POGLM）是一种强大的工具，用于在假设存在隐藏神经元的条件下理解神经连接性。由于仅记录可见神经元的放电火花，现有工作使用变分推断来学习 POGLM，同时呈现了学习该潜变量模型的困难。存在两个主要问题：（1）抽样的泊松隐藏 spike count 阻碍了 VI 中路径梯度估计器的使用；（2）现有的变分模型设计既不够表现力也不够时间有效，这进一步影响了性能。对于（1），我们提出了一种新的可微分 POGLM，使其能够使用路径梯度估计器，这优于现有工作中使用的得分函数梯度估计器。对于（2），我们提出了用于变分模型的前向-后向消息传递抽样方案。综合实验表明，我们的可微分 POGLM 采用我们的前向-后向消息传递在一个合成数据集和两个真实世界数据集上产生更好的性能。此外，我们的新方法产生更具可解释性的参数，凸显了其在神经科学中的重要性。
引用
@article{arxiv.2402.01263,
title = {A Differentiable Partially Observable Generalized Linear Model with Forward-Backward Message Passing},
author = {Chengrui Li and Weihan Li and Yule Wang and Anqi Wu},
journal= {arXiv preprint arXiv:2402.01263},
year = {2024}
}