用于自发神经元活动鲁棒分析与建模的对抗字典学习
神经元与认知
2019-12-25 v2 机器学习
摘要
神经科学领域所记录神经活动的复杂性与数量正快速增长，使我们能够前所未有地了解不同脑区的动态。本工作的目标是从实验数据中直接发现丰富且可理解的脑功能模型，同时这些模型对噪声具有鲁棒性。从降维的角度考虑该任务，我们开发了一种基于对抗训练方法的、对噪声鲁棒的字典学习框架，用于识别同步放电活动模式以及时间滞后内的模式。我们采用描述实验小鼠随时间自发神经元活动的真实二值数据集，旨在实现其高效的低维表示。基于SVM分类器对干净与对抗噪声激活模式区分的分类精度结果表明，与其他方法相比所提方案的有效性，而字典分布的可视化展示了从中获得的多样化信息。
引用
@article{arxiv.1911.01721,
title = {Adversarial dictionary learning for a robust analysis and modelling of spontaneous neuronal activity},
author = {Eirini Troullinou and Grigorios Tsagkatakis and Ganna Palagina and Maria Papadopouli and Stelios Manolis Smirnakis and Panagiotis Tsakalides},
journal= {arXiv preprint arXiv:1911.01721},
year = {2019}
}