用于潜在集成的最优输运及其在异构神经活动数据中的应用
神经元与认知
2024-07-02 v1 机器学习
应用统计
摘要
在医学科学和神经科学中，检测跨异构数据集共享的特定任务响应的动态模式是关键且具有挑战性的问题。在我们针对 rodent 电生理数据的 motivating 例子中，识别与ongoing认知需求和行为相关的神经活动中的动态模式，是揭示记忆神经机制的关键。调查跨主体生物过程的最大挑战之一是，个体之间的系统性异构性可能显著削弱现有机器学习方法识别潜在生物动力学的能力。此外，许多技术上具有挑战的神经生物学实验仅在少数受试者上进行，其中每位受试者都有丰富的纵向数据。此类实验的低样本数可能进一步降低检测受体者之间常见动态模式的能力。在本文中，我们提出了一个基于最优输运的异构数据集成框架，用于从复杂生物过程中提取共享模式。该方法的关键优势在于，通过在受体者之间对提取的潜在时空信息进行对齐来减少与信号无关的异构性，从而提高识别常见模式的辨识力。我们的方法即使在受试者数量较少的情况下也有效，不需要辅助匹配信息即可完成对齐。特别是，我们的方法可以在受体者之间进行纵向数据对齐，以在统一的潜在空间中捕获共享模式的动力学，同时利用受体者内部的时序依赖性。
引用
@article{arxiv.2407.00099,
title = {Optimal Transport for Latent Integration with An Application to Heterogeneous Neuronal Activity Data},
author = {Yubai Yuan and Babak Shahbaba and Norbert Fortin and Keiland Cooper and Qing Nie and Annie Qu},
journal= {arXiv preprint arXiv:2407.00099},
year = {2024}
}