Oct, 2016

基于贝叶斯方法的多神经元记录中的潜在结构发现

PDF
TL;DR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。
发现论文，激发创造
  • Manifold GPLVMs 用于发现神经数据中的非欧几里德潜在结构

    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

  • 神经与行为数据的多模态高斯过程变分自编码器

    我们提出了一种无监督的潜在变量模型，可以从不同的实验数据模态中提取演化的共享和独立的潜变量，通过结合高斯过程因子分析和高斯过程变分自编码器的方法，我们在傅里叶域中参数化模型的潜变量，并在两个真实的多模态实验设置上验证了模型的有效性。

    Oct, 2023

  • 用广义线性模型捕获单个神经元的动态可重现性

    研究发现，泊松广义线性模型可用于表征神经元的动力学行为，包括单峰和多峰放电、不同兴奋类型和双稳态等，从而适用于单神经元和群体响应属性的动力学和统计学研究。

    Feb, 2016

  • 线性时间高斯过程：从神经脉冲序列中推断潜在轨迹

    本文提出了 cvHM，一种基于 Hida-Mat 和共轭计算变分推断的潜在高斯过程模型的推理框架，使用 Whittle 近似似然实现高效的超参数学习。

    Jun, 2023

  • 通过非局部先验进行贝叶斯尖峰列车推断

    神经科学的进步使得研究人员能够同时测量行为动物中大量神经元的活动。我们提出了一种基于混合半非局部先验密度和点质量的贝叶斯方法，用于从荧光迹线中确定神经元的确切尖峰，以实现对神经活动的近似。与基于优化的频率方法相反，我们的方法能够自动量化与尖峰列车推断相关的不确定性。

    May, 2023

  • 共享特征和划分集合揭示潜在流形的神经编码

    本文提出了神经潜在变量模型中的特征共享及对集合检测问题的解决方法，最终应用在网格细胞数据集上，以单一的集成建模框架恢复不同集合，推断环形潜在变量并预测神经调谐曲线。

    Oct, 2022

  • 神经种群几何和任务共享潜在结构的最优编码

    人和动物可以认识到环境中的潜在结构，并将这些信息应用于有效地导航世界。本论文开发了一个分析理论，将神经群体活动的中等统计特性与多任务学习问题上的泛化性能相联系。利用这个理论，我们发现实验观察到的因素化（或解缠）表示自然地成为多任务学习问题的最优解，同时验证了来自生物和人工神经网络数据的理论预测。这些结果将神经群体几何学与多任务学习问题联系起来，并对这些场景中的群体活动结构进行正式预测。

    Feb, 2024

  • 基于成对相关性预测神经活动的时空模式

    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

  • 稀疏高斯图模型的贝叶斯结构学习

    本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用于基因表达研究中。

    Oct, 2012

  • 从多个大规模神经群体记录中学习预测相关性以提取低维动态

    本文提出了一种用于多个序列记录的低维动力学提取的方法，该方法利用了降维方法并构建了一种优化模型，能够有效地分析分布在大型脑区域中的动力学，并在遇到严重子采样和小重叠度的情况下标识动力学并预测相关性，同时对处理丢失数据也有很好的表现。

    Nov, 2017