基于图的高维神经数据协方差回归
机器学习
2024-10-01 v1 人工智能
系统与控制
系统与控制
摘要
现代记录技术使神经科学家能够同时研究大规模神经活动人群，其中捕获预测器依赖性相关性是神经科学中的一个基本挑战。此外，根据实验设置，输入协变量常常局限于受限子域，这使得推断更加具有挑战性。为应对这些挑战，我们提出了一套用于高维神经活动的非参数均值-协方差回归模型，适用于受限输入。这些模型通过采用低维潜在因子模型来降低神经响应的维度，其中因子载荷和潜在因子都取决于预测器，以在协变量之间联合建模均值和协方差。通过两个高斯过程（GP）对神经活动在实验条件下的平滑性进行非参数建模，分别应用于载荷基函数和潜在因子。此外，为了考虑协变量局限于受限子空间的情况，我们将图信息整合到协方差结构中。为了灵活地推断模型，我们使用 MCMC 算法从后验分布中进行采样。在通过仿真验证和研究所提出方法的性质后，我们将其应用于两个神经数据集（局部场电位和神经放电数据），以演示这些模型用于连续观察和计数观察的用途。总体而言，所提出的方法提供了一个用于高维神经数据中协变量依赖均值和协方差的框架，特别是在协变量局限于受限域时。该框架是通用的，可以轻易适用于神经科学之外的各种应用场景。
引用
@article{arxiv.2409.19716,
title = {Constrained Reinforcement Learning for Safe Heat Pump Control},
author = {Baohe Zhang and Lilli Frison and Thomas Brox and Joschka Bödecker},
journal= {arXiv preprint arXiv:2409.19716},
year = {2024}
}