从多神经元记录中发现贝叶斯潜在结构
机器学习
2016-10-27 v1 神经元与认知
摘要
神经回路包含异质性的神经元群体，它们在类型、位置、连接性和基本响应属性上有所不同。然而，传统的降维和聚类方法不适合恢复神经回路组织背后的结构。特别地，它们没有利用多神经元记录中丰富的时间依赖性，并且未能考虑神经脉冲序列中的噪声。在此，我们描述从同时记录的脉冲序列数据推断潜在结构的新工具，使用的是通常称为广义线性模型（GLM）的多神经元点过程模型的一个层次化扩展。我们的方法将GLM与灵活的图论先验相结合，这些先验支配着潜在特征与神经连接模式之间的关系。通过对所得模型进行P\'olya-gamma增广的完全贝叶斯推断，使我们能够从相关脉冲序列中对神经元进行分类并推断回路组织的潜在维度。我们通过应用于合成数据和灵长类视网膜中的多神经元记录来展示方法的有效性，仅从脉冲序列中揭示神经类型和位置的潜在模式。
引用
@article{arxiv.1610.08465,
title = {Bayesian latent structure discovery from multi-neuron recordings},
author = {Scott W. Linderman and Ryan P. Adams and Jonathan W. Pillow},
journal= {arXiv preprint arXiv:1610.08465},
year = {2016}
}
备注
11 pages, 5 figures, to appear in Advances in Neural Information Processing Systems 2016