脉冲神经元网络中灵活交互的高效推断
机器学习
2021-02-23 v2 机器学习
摘要
Hawkes过程为分析神经元脉冲活动的时间相关交互提供了有效的统计框架。尽管被用于许多实际应用，经典Hawkes过程无法建模神经元间的抑制性交互。相反，非线性Hawkes过程允许具有兴奋性或抑制性交互的更灵活影响模式。在本文中，引入了三组辅助潜变量（Pólya-Gamma变量、潜标记泊松过程和稀疏性变量）以使功能连接权重呈高斯形式，从而允许具有解析更新的简单迭代算法。结果，推导出一种高效期望最大化（EM）算法以获得最大后验（MAP）估计。我们在合成数据和真实数据上展示了我们算法的准确性和效率表现。对于真实神经记录，我们表明我们的算法能估计交互的时间动态并揭示神经脉冲序列下可解释的功能连接。
引用
@article{arxiv.2006.12845,
title = {Efficient Inference of Flexible Interaction in Spiking-neuron Networks},
author = {Feng Zhou and Yixuan Zhang and Jun Zhu},
journal= {arXiv preprint arXiv:2006.12845},
year = {2021}
}