基于泊松分布条件有限混合的上下文相关神经相关性模型
机器学习
2025-07-30 v2 神经与进化计算
机器学习
摘要
神经脉冲计数的并行记录揭示了神经群体中上下文相关噪声相关性的存在。群体编码理论也表明，此类相关性会影响神经群体关于外部刺激所编码的信息。尽管研究表明这些相关性常具有低维结构，但难以在一个与相关性群体中的速率编码理论相容的模型中捕捉该结构。为应对此困难，我们基于条件有限独立泊松分布混合开发了一种新模型。该模型可以条件依赖于上下文变量（例如刺激或任务变量），且模型中混合成分的数量可通过交叉验证来估计目标相关性的维度。我们推导了一种期望最大化算法，以高效地将模型拟合到来自大型神经群体的实际规模数据。随后我们证明，该模型成功捕捉了猕猴 V1 神经元对定向光栅响应的刺激依赖相关性。我们的模型包含了任意非线性上下文依赖性，因此可应用于基于深度神经网络改进神经活动的预测。
引用
@article{arxiv.1908.00637,
title = {Conditional Finite Mixtures of Poisson Distributions for Context-Dependent Neural Correlations},
author = {Sacha Sokoloski and Ruben Coen-Cagli},
journal= {arXiv preprint arXiv:1908.00637},
year = {2025}
}