对自然视觉场景神经响应的时序条件脉冲潜变量模型
神经元与认知
2023-12-21 v6 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
开发神经响应的计算模型对于理解感觉处理和神经计算至关重要。当前最先进的神经网络方法使用时序滤波器处理时间依赖关系,导致不现实且不灵活的处理范式。同时,这些方法针对试次平均放电率,未能捕捉 spike train 中的重要特征。本工作提出时序条件脉冲潜变量模型(TeCoS-LVM)来模拟对自然视觉刺激的神经响应。我们使用脉冲神经元产生直接匹配所记录 train 的脉冲输出。该方法有助于避免丢失原始 spike train 中嵌入的信息。我们从模型参数空间中排除时间维度,并引入时序条件操作,使模型能够以{\it 自然范式}自适应地探索和利用刺激序列中的时间依赖关系。我们表明,TeCoS-LVM 模型比强大的替代方法能产生更真实的脉冲活动并准确拟合脉冲统计。此外,学习到的 TeCoS-LVM 模型能很好地泛化到更长的时间尺度。总体而言,在保持计算易处理的同时,我们的模型有效捕捉了神经编码系统的关键特征。因此它为构建各种感觉感知电路的准确预测性计算解释提供了有用工具。
引用
@article{arxiv.2306.12045,
title = {Temporal Conditioning Spiking Latent Variable Models of the Neural Response to Natural Visual Scenes},
author = {Gehua Ma and Runhao Jiang and Rui Yan and Huajin Tang},
journal= {arXiv preprint arXiv:2306.12045},
year = {2023}
}
备注
Accepted at NeurIPS 2023 (https://openreview.net/forum?id=V4YeOvsQfu). 22 pages, 7 figures, 3 tables