一种神经元网络数据同化框架
动力系统
2022-06-08 v1 神经元与认知
摘要
在处理由复杂网络动力系统建模的真实数据时，参数数量往往远多于数据规模。因此，在许多情况下无法估计这些参数，然而每个参数的精确值通常不如参数分布所包含的重要信息那样有助于理解系统与数据。本文通过采用数据同化方法从实验数据（例如血氧水平依赖（BOLD）信号）中估计泄漏积分发放（LIF）神经元网络模型的参数分布，提出这一问题。此处，我们假设神经元与突触的参数为非均匀但独立同分布，服从具有未知超参数的特定分布。因而，我们估计这些参数的分布超参数，而非估计参数本身。我们在数据同化与层次贝叶斯方法框架下表述该问题，并提出一种名为层次数据同化（HDA）的高效方法，利用由血流动力学模型模拟的BOLD信号数据对神经元网络模型进行统计推断。我们考虑具有四种突触的LIF神经元网络，并表明所提算法能以良好精度估计BOLD信号与超参数。此外，我们讨论了算法配置与LIF网络模型设置对性能的影响。
引用
@article{arxiv.2206.02986,
title = {On a framework of data assimilation for neuronal networks},
author = {Wenyong Zhang and Boyu Chen and Jianfeng Feng and Wenlian Lu},
journal= {arXiv preprint arXiv:2206.02986},
year = {2022}
}