用广义线性模型捕获单个神经元的动态可重现性
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
提出了一种非线性生成模型 fLDS,并使用变分推断技术来拟合该模型,并在两种神经数据集上应用,与最先进的神经人口模型相比,fLDS 可用较少的潜在维度捕捉更多的神经变异,提供更好的预测性能和可解释性
May, 2016
本研究提出了一种基于状态空间模型的计算动力学分析方法,结合 PLRNN 和 fMRI 等神经成像数据,可以深入分析神经系统的非线性动力学特征,并为神经系统的临床评估和神经科学研究提供新的方法。
Feb, 2019
提出了一种新的概率潜变量模型 (mGPLVM) 来同时确定潜变量状态和神经元对其表示的贡献,以研究神经元编码头部方向及其它相关行为表现内部潜变量构建的问题。
Jun, 2020
本文主要研究使用深度卷积神经网络模型对视网膜对自然场景的反应进行建模,发现其能够准确地描述神经电路对自然刺激的反应,并探究了卷积神经网络模型的内在结构和功能特点,在数据量少、样本分布不同等情况下表现较优,有助于从神经电路的角度解析神经科学中的计算问题。
Feb, 2017
提出一种新的方法,用于一般化贝叶斯非线性潜在变量建模,通过使用随机傅里叶特征来逼近高斯过程映射中的核函数,从而将 GPLVM 推广至泊松、负二项和多项分布等情况,并通过随机特征潜变量模型(RFLVM)对广泛的应用进行评估,结果表明该算法在复杂数据集的潜在结构和数据填充方面表现出着与现有先进算法相当的实用性。
Jun, 2023
介绍一类具有无限数量相互作用组件的非马尔可夫过程,可以描述神经元网络的时间演化,有关完美模拟、存在性问题、反相关性等问题的研究成果也在文章中进行了综述。
Feb, 2015
该研究提出了一种名为 TeCoS-LVM 的模型,用于模拟神经对自然视觉刺激的反应;该模型使用尖峰神经元产生直接匹配记录列车的尖峰输出,从而避免丢失嵌入原始尖峰列车中的信息。同时,该研究的模型可以更准确地捕捉神经编码系统的关键特征,并提供了构建各种感知回路的准确预测计算模型的有用工具。
Jun, 2023
本文介绍了一种训练脉冲神经网络的方法,通过结合使用连续模型网络和脉冲模型神经元,使其能够自主产生动态模式,并模拟生理数据,这提供了一种新的方法用于训练脉冲神经网络,并探讨了神经系统中表示和计算的重要问题。
Jan, 2016
提出了一种新的非参数回归方法:Dirichlet Process mixtures of Generalized Linear Models (DP-GLM),可容纳连续和分类输入以及可以由广义线性模型建模的响应,该文中还给出了 DP-GLM 回归均值函数估计的渐近无偏条件。通过实际数据集分析,与现有回归方法相比,DP-GLM 提供了一个表现良好的单一模型。
Sep, 2009