LFADS - 通过动力系统的潜在因子分析
机器学习
2016-08-24 v1 神经元与认知
机器学习
摘要
神经科学正在经历一场数据革命，其中数百或数千个神经元被同时记录。目前，对于应如何分析此类数据，几乎没有共识。在此，我们介绍 LFADS（通过动力系统的潜在因子分析），这是一种从同时记录的、单试次、高维神经脉冲数据中推断潜在动力学的方法。LFADS 是一个基于变分自编码器的序列模型。通过对观测数据的生成做出动力系统假设，LFADS 将观测到的脉冲活动简化为一系列低维时间因子、每个试次的初始条件以及推断的输入。我们在合成数据上将 LFADS 与现有方法进行比较，并表明它在推断神经发放率和潜在动力学方面显著优于它们。
引用
@article{arxiv.1608.06315,
title = {LFADS - Latent Factor Analysis via Dynamical Systems},
author = {David Sussillo and Rafal Jozefowicz and L. F. Abbott and Chethan Pandarinath},
journal= {arXiv preprint arXiv:1608.06315},
year = {2016}
}
备注
16 pages, 11 figures