用于从群体脉冲序列恢复单次试验动力学的变分潜在高斯过程
机器学习
2017-04-20 v5 神经元与认知
摘要
当受潜在的低维动力学支配时，同时记录的神经元群体的相互依赖关系可以通过少量共享因子或低维轨迹来解释。恢复这些潜在轨迹，特别是从单次试验的群体记录中恢复，可能有助于我们理解驱动神经计算的动力学。然而，由于脉冲序列中的生物物理约束和噪声，从数据推断轨迹通常是一个具有挑战性的统计问题。在此，我们提出一种实用且高效的推断方法，称为变分潜在高斯过程（variational latent Gaussian process, vLGP）。vLGP将生成模型与依赖于历史的泊松点过程观测相结合，并对潜在轨迹施加平滑先验。vLGP改进了早期恢复潜在轨迹的方法，那些方法要么假设了不适用于点过程的观测模型，要么假设了线性动力学。我们在模拟数据集和来自初级视觉皮层的群体记录上比较并验证了vLGP。在V1数据集中，我们发现vLGP在预测遗漏的脉冲序列以及捕捉视觉刺激空间的环状拓扑结构和噪声相关性方面，比先前方法取得了显著更高的性能。这些结果表明，vLGP是一种稳健的方法，有潜力从大规模神经记录中揭示隐藏的神经动力学。
引用
@article{arxiv.1604.03053,
title = {Variational Latent Gaussian Process for Recovering Single-Trial Dynamics from Population Spike Trains},
author = {Yuan Zhao and Il Memming Park},
journal= {arXiv preprint arXiv:1604.03053},
year = {2017}
}