从时移信号估计方向性耦合的鲁棒且高度可扩展方法
机器学习
2025-01-28 v2
摘要
从间接测量中估计网络节点之间的定向耦合是神经科学、系统生物学和经济学等科学领域的核心方法学挑战。然而，由于测量中可能存在未知延迟，该问题通常是病弱的。本文通过使用变分贝叶斯框架，对延迟的不确定性进行边际化，以获得保守的耦合估计。为克服经典变分方法所致的过度自信问题，我们采用混合 VI 方案：使用前向 KL 损失估计（可能平坦或多模态的）测量参数后验分布，同时使用高度可扩展的梯度-based VI 估计（近似凸的）耦合的条件后验分布。我们的 ground-truth 实验表明，该方法提供可靠且保守的耦合估计，显著优于诸如回归 DCM 等类似方法。
引用
@article{arxiv.2406.02545,
title = {Robust and highly scalable estimation of directional couplings from time-shifted signals},
author = {Louis Rouillard and Luca Ambrogioni and Demian Wassermann},
journal= {arXiv preprint arXiv:2406.02545},
year = {2025}
}