面向神经动力学机制模型的灵活统计推断
机器学习
2017-11-07 v1
摘要
单神经元动力学的机制模型在计算神经科学中已被广泛研究。然而，确定哪些模型能够定量地复现经验测量数据一直具有挑战性。我们提议通过使用无似然推断方法（亦称近似贝叶斯计算，ABC）来对单神经元模型执行完整的贝叶斯推断，以克服这一局限。我们的方法基于 ABC 的近期进展，学习一个神经网络，将观测数据的特征映射到参数的后验分布。我们学习一个贝叶斯混合密度网络，在自适应选择的模拟的多轮过程中逼近后验。此外，我们提出了一种高效处理缺失特征及模拟器失效的参数设置的方法，以及一种利用循环神经网络自动学习相关特征的策略。在合成数据上，我们的方法高效地估计后验分布并恢复真值参数。在膜电压体外记录数据上，我们恢复了生物物理参数的多元后验，其给出的模型预测电压轨迹与经验数据准确匹配。我们的方法将使神经科学家能够对复杂神经元模型执行贝叶斯推断，而无需设计特定于模型的算法，从而缩小机制方法与统计方法在单神经元建模之间的差距。
引用
@article{arxiv.1711.01861,
title = {Flexible statistical inference for mechanistic models of neural dynamics},
author = {Jan-Matthis Lueckmann and Pedro J. Goncalves and Giacomo Bassetto and Kaan Öcal and Marcel Nonnenmacher and Jakob H. Macke},
journal= {arXiv preprint arXiv:1711.01861},
year = {2017}
}
备注
NIPS 2017. The first two authors contributed equally