利用伊辛模型从尖峰数据推断网络结构
使用 Ising 模型描述和分析视网膜神经元的相关放电活动,展示二元交互作用可解释观察到的高阶相关性,并研究人工构建的神经元网络在不同规模下的临界点和集体行为。
Nov, 2006
使用模拟皮层网络的数据,探究描述多神经元尖峰列统计学的成对 Ising 模型的最优耦合的优化方法和它们的统计特性,并通过比较不同的近似方法从一定程度上找到了这些最优耦合,但发现从小规模子集中提取耦合常常高估其大小,而且随着子集大小的增长,所用模型的拟合效果逐渐恶化,需要引入高阶相关性来描述大型网络的统计特性。
Feb, 2009
本研究证明基于成对交互的概率模型,尤其是伊辛模型,能够准确地描述从神经元到基因等多种真实生物网络实验数据。通过将统计物理和机器学习的思想相融合,我们展示了一种新的反演求解方法,并发展出了针对真实神经元数据的一些有效的求解技巧。我们的算法不仅仅可以在几分钟内学习描述四十个神经元的伊辛模型,而且可以分析更大的数据集,从而验证这些网络的集体行为假设。
Dec, 2007
本文通过 Ising 模型描述 40 个神经元之间的相关触发活动,发现神经元之间的配对相互作用影响高阶相关性;作者构建神经网络的基础上,增加规模进一步研究其热力学特性和编码能力,并对 2 种与神经编码相关的现象进行深入研究。
Dec, 2009
使用深度玻尔兹曼机、深度置信网络和深度限制玻尔兹曼网络对二维 Ising 系统进行非监督生成建模,比较与浅层架构的有限玻尔兹曼机的效果,并发现只有第一隐藏层的神经元数量对于生成能量观测量的准确度有影响,而架构的深度和模型类型对于准确度的影响很小,这证明在表示与 Ising 系统的临界概率分布相关的物理概率分布时,浅层网络比深度神经网络更有效率。
Aug, 2017
通过将广义线性模型与柔性基于图的先前知识结合,利用 Polya-gamma 增强的完全贝叶斯推理的方法,可以从神经元的同时记录的 Spike train 数据中推断潜在结构,我们的方法将神经元分类并从相关的 Spike train 中推断电路组织的潜在维度,并通过应用于灵长类视网膜的多神经元记录,揭示了神经元类型和位置的潜在模式。
Oct, 2016
应用机器学习技术,研究从剪辑数据中推断的动力学 Ising 模型,发现一个非互作神经元的非平稳输入模型优于一个带有神经元耦合的静态输入模型,后者即使增加了连接,对于突触间的耦合也只有轻微的影响。
Mar, 2012
本研究发现通过距离依赖性连接概率,可以克服兴奋性和抑制性尖峰神经元随机连接网络在进行计算时的不可靠性。在此基础上建立的空间扩展尖峰神经元网络可以展现出对称性破缺分岔现象,并能生成可进行动力学计算的时空模式。
Nov, 2016
本研究基于最大熵理论和马尔可夫假设,以模型为基础实现了对分布式脉冲活动中人口模式出现的预测,并成功优于只考虑成对相关性的伊辛模型。同时,实验数据表明这种方法也适用于慢波睡眠等过程的分析。
Mar, 2009
本文介绍一种名为 Interaction Screening 的新方法,使用本地优化问题准确估计模型参数,这个算法在信息论上优化样本数量的条件下可以实现完美的图形结构恢复,证明了 Interaction Screening 方法是一种准确、可行和最优的通用逆向 Ising 问题解决技术。
Dec, 2016