Bubblewrap：神经流形上的在线分块与实时流预测
机器学习
2021-11-02 v2 神经元与认知
机器学习
摘要
尽管实验神经科学中大多数经典功能研究聚焦于单个神经元的编码特性，但记录技术的最新进展使得对神经群体动力学的关注日益增加。这催生了多种用于将群体活动与实验变量相关联的模型，但许多神经群体假说的直接检验需要根据当前神经状态对系统进行干预，因而需要能够在线推断神经状态的模型。现有方法主要基于动力系统，需要较强的参数假设，在噪声主导 regime 下易被违背，且无法良好扩展到现代实验中的数千数据通道。为解决此问题，我们提出一种方法，将快速稳定的降维与所得神经流形的软分块相结合，使动力学可近似为分块间的概率流。该方法可使用在线期望最大化高效拟合，可扩展到数万个分块，并在动力学为噪声主导或具有多模态转移概率时优于现有方法。所得模型可在千赫兹数据率下训练，在数分钟内产生神经动力学的准确近似，并在亚毫秒时间尺度上生成预测。它在未来多个时间步内保持预测性能，且速度足以作为闭环因果实验的组件。
引用
@article{arxiv.2108.13941,
title = {Bubblewrap: Online tiling and real-time flow prediction on neural manifolds},
author = {Anne Draelos and Pranjal Gupta and Na Young Jun and Chaichontat Sriworarat and John Pearson},
journal= {arXiv preprint arXiv:2108.13941},
year = {2021}
}
备注
Version of the work appearing in NeurIPS 2021