基于多样性促进潜表示学习方法的贝叶斯神经解码
机器学习
2019-10-15 v1 机器学习
摘要
时间组织对记忆至关重要，且对信息进行时间组织的能力是许多感知、认知和运动过程的基础，这已是公认的事实。尽管我们对大脑如何处理记忆的空间背景的理解已取得长足进展，我们对记忆时间组织的理解却远远落后。在本文中，我们提出一种阐明复杂行为及记忆时间组织的神经基础的新方法。更具体地，我们聚焦于神经解码——基于观测神经数据预测行为或实验条件。一般而言，这是一个极具挑战性的分类问题，在神经科学中备受关注。我们的目标是以不仅提升解码总体准确率、还提供解码过程清晰潜表示的新框架。为此，我们的方法采用带有基于行列式点过程（DPP）的多样性促进先验的变分自动编码器（VAE）模型，通过避免潜空间中的冗余来改进潜表示学习。我们将该方法应用于一项新颖大鼠实验所采集的数据，该实验涉及在单一端口呈现重复的嗅觉序列并测试大鼠辨别每种气味的能力。我们表明，我们的方法大幅提升了神经解码的准确率，并通过提供解码过程的清晰潜表示得以发现新颖生物学现象。
引用
@article{arxiv.1910.05695,
title = {Bayesian Neural Decoding Using A Diversity-Encouraging Latent Representation Learning Method},
author = {Tian Chen and Lingge Li and Gabriel Elias and Norbert Fortin and Babak Shahbaba},
journal= {arXiv preprint arXiv:1910.05695},
year = {2019}
}