作为隐状态空间模型的自回归点过程：一种用于涨落与自相关的矩闭合方法
神经元与认知
2020-06-30 v2
摘要
对脉冲序列数据进行建模与解释是计算神经科学中的核心任务，具有重要的转化意义。该任务两类流行的数据驱动模型是自回归点过程广义线性模型（PPGLM）和带点过程观测的隐状态空间模型（SSM）。在本文中，我们推导了这两类模型之间的数学联系。通过引入一个辅助历史过程，我们将 PPGLM 精确表示为一个隐式的无限维动力系统，随后可通过基函数投影与矩闭合映射到 SSM。该表示为广泛使用的脉冲数据建模方法提供了新视角，并提示了拟合此类模型的新算法途径。我们在一个阶段性爆发神经元模型上展示了结果，表明所提方法提供了一种准确且高效的捕捉神经动力学的方式。
引用
@article{arxiv.1801.00475,
title = {Autoregressive Point-Processes as Latent State-Space Models: a Moment-Closure Approach to Fluctuations and Autocorrelations},
author = {M. E. Rule and G. Sanguinetti},
journal= {arXiv preprint arXiv:1801.00475},
year = {2020}
}