用于训练含噪相互作用神经元的浅层与深层广义线性模型的新推断方法
无序系统与神经网络
2020-11-17 v3 机器学习
神经元与认知
摘要
广义线性模型是预测神经元网络在外部刺激下相关随机活动的最有效范式之一，并应用于许多脑区。然而，在处理复杂刺激时，推断出的耦合参数往往不能跨不同刺激统计泛化，导致性能下降和发散不稳定性。在此，我们开发了一种两步推断策略，通过在每个训练步骤中显式分离刺激中相关性与网络相互作用的影响，从而训练出鲁棒的相互作用神经元广义线性模型。将该方法应用于视网膜神经节细胞对复杂视觉刺激的响应，我们表明，与经典方法相比，以此方式训练的模型表现出更好的性能、更高的稳定性、产生鲁棒的交互网络，并能很好地跨复杂视觉统计泛化。该方法可扩展至深度卷积神经网络，从而得到对神经元放电率及其相关性均具有高预测精度的模型。
引用
@article{arxiv.2006.06497,
title = {A new inference approach for training shallow and deep generalized linear models of noisy interacting neurons},
author = {Gabriel Mahuas and Giulio Isacchini and Olivier Marre and Ulisse Ferrari and Thierry Mora},
journal= {arXiv preprint arXiv:2006.06497},
year = {2020}
}
备注
Final submission