多样性鼓励的无监督 LSTM 集成学习用于神经活动视频预测
计算机视觉与模式识别
2018-07-04 v2
摘要
能够根据当前和先前的观测预测近期的神经信号，具有实现实时响应性脑刺激以抑制癫痫发作的潜力。我们研究了如何使用由 LSTM 单元组成的自编码器模型进行此类预测。认识到存在多个活动模式簇，我们进一步探索训练一个 LSTM 模型集成，使每个模型能够专门化于对特定神经活动建模，而无需显式地对训练数据进行聚类。我们使用集成感知损失来训练该集成，该损失联合解决了模型分配问题和误差最小化问题。在训练期间，对于每个训练序列，仅更新具有最低重建和预测误差的模型。本质上，这种损失函数使得每个 LSTM 模型能够适应具有相似动态行为的训练序列子集。我们证明该方法可以端到端地训练，并在神经活动预测中达到显著的准确性。
引用
@article{arxiv.1611.04899,
title = {Diversity encouraged learning of unsupervised LSTM ensemble for neural activity video prediction},
author = {Yilin Song and Jonathan Viventi and Yao Wang},
journal= {arXiv preprint arXiv:1611.04899},
year = {2018}
}