用于从神经脉冲序列推断潜在轨迹的线性时间高斯过程
神经元与认知
2023-06-06 v1 机器学习
应用统计
机器学习
摘要
潜在高斯过程（GP）模型在神经科学中广泛用于从序列观测（主要是神经活动记录）中揭示隐藏状态演化。尽管潜在 GP 模型在理论上提供了原则性强且有力的解决方案，非共轭设定下难处理的后验需要近似推断方案，这可能缺乏可扩展性。在本工作中，我们提出 cvHM，一种利用 Hida-Matérn 核与共轭计算变分推断（CVI）的潜在 GP 模型通用推断框架。借助 cvHM，我们能够对潜在神经轨迹进行任意似然下的线性时间复杂度变分推断。使用 Hida-Matérn GP 对平稳核的重参数化，帮助我们能将通过动力系统编码先验假设的潜变量模型，与通过 GP 编码轨迹假设的模型联系起来。与先前工作不同，我们使用双向信息滤波，从而带来更简洁的实现。此外，我们采用 Whittle 近似似然以实现高效的超参数学习。
引用
@article{arxiv.2306.01802,
title = {Linear Time GPs for Inferring Latent Trajectories from Neural Spike Trains},
author = {Matthew Dowling and Yuan Zhao and Il Memming Park},
journal= {arXiv preprint arXiv:2306.01802},
year = {2023}
}
备注
Published at ICML 2023