通过可扩展 Markovian Gaussian Processes 学习时变多脑区通信
机器学习
2025-08-12 v7 机器学习
摘要
理解和构建捕捉跨多个区域动态通信的脑通信是现代系统神经科学的基础，然而当前方法难以发现时变的区域级通信，或难以扩展到具有长记录时间的大型神经数据集。我们提出了一种使用 Markovian Gaussian Processes 从多区域神经记录中学习具有时变时间延迟的脑通信的新框架，命名为自适应延迟模型。我们的方法将 Gaussian Processes 与 State Space Models 相结合，并采用并行扫描推理算法，在识别随时间演变的并发通信模式的同时，实现了向大型数据集的高效扩展。这种时变方法捕捉了在认知过程中脑区交互如何动态转移。在合成和多区域神经记录数据集上得到验证，我们的方法发现了神经通信的方向性和时间动态。这项工作推进了我们对分布式神经计算的理解，并为分析动态脑网络提供了一个可扩展的工具。
引用
@article{arxiv.2407.00397,
title = {Learning Time-Varying Multi-Region Brain Communications via Scalable Markovian Gaussian Processes},
author = {Weihan Li and Yule Wang and Chengrui Li and Anqi Wu},
journal= {arXiv preprint arXiv:2407.00397},
year = {2025}
}