伯努利线性动力系统模型的谱学习
机器学习
2023-07-28 v2 机器学习
摘要
具有伯努利观测的隐线性动力系统为识别二元时间序列数据背后的时间动态提供了强大的建模框架，这类数据出现在多种情境中，如二元决策和离散随机过程（例如分箱神经脉冲序列）。在此我们开发了用于快速、高效拟合probit-伯努利隐线性动力系统(LDS)模型的谱学习方法。我们的方法通过对第一和第二样本矩的变换将传统子空间识别方法扩展到伯努利设定。这产生了一种鲁棒、固定代价的估计器，避免了局部最优的危险以及像期望最大化(EM)算法这类迭代拟合过程的长时间计算。在数据有限或关于数据统计结构的假设不满足的情境中，我们证明该谱估计为Laplace-EM拟合提供了良好的初始化。最后，我们通过分析小鼠执行感觉决策任务的数据表明该估计器在真实世界设定中提供了实质益处。
引用
@article{arxiv.2303.02060,
title = {Spectral learning of Bernoulli linear dynamical systems models},
author = {Iris R. Stone and Yotam Sagiv and Il Memming Park and Jonathan W. Pillow},
journal= {arXiv preprint arXiv:2303.02060},
year = {2023}
}
备注
Published in Transactions on Machine Learning Research (https://jmlr.org/tmlr/papers/)