一种用于检测二值数据中结构的概率潜变量模型
机器学习
2022-01-27 v1 机器学习
神经元与认知
摘要
我们引入一种新颖的概率二值潜变量模型，用于检测稀疏二值数据中带有噪声或近似重复的图案。该模型基于先前用于疾病与主题建模的“Noisy-OR 模型”(Heckerman, 1990)。模型的能力通过从视网膜神经元记录中提取结构得以展示，但其可广泛应用于发现并建模噪声二值数据中的潜结构。在脉冲神经数据背景下，任务是用经常共同放电的神经元组——“细胞集群”(CAs)来解释单个神经元的放电，其原因可能是相互作用或其他因素。模型在一组二值潜变量中推断稀疏活动，每个变量描述一个细胞集群的活动。当某细胞集群的潜变量激活时，它降低属于该集群的神经元处于非激活状态的概率。潜分量的条件概率核以期望最大化方案从数据中学习，该方案涉及潜状态推断与模型参数调整。我们在统计上类似于白噪声刺激与自然电影刺激下记录的视网膜响应的人工合成脉冲序列上彻底验证模型，并将模型应用于电影刺激期间视网膜神经节细胞(RGCs)记录的脉冲响应，讨论所发现的结构。
引用
@article{arxiv.2201.11108,
title = {A probabilistic latent variable model for detecting structure in binary data},
author = {Christopher Warner and Kiersten Ruda and Friedrich T. Sommer},
journal= {arXiv preprint arXiv:2201.11108},
year = {2022}
}
备注
25 pages, 20 figures