論文の概要: Non-parametric generalized linear model

• arxiv url: http://arxiv.org/abs/2009.01362v1
• Date: Wed, 2 Sep 2020 21:54:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 18:44:22.434668
• Title: Non-parametric generalized linear model
• Title（参考訳）: 非パラメトリック一般化線形モデル
• Authors: Matthew Dowling, Yuan Zhao, Il Memming Park
• Abstract要約: 統計神経科学の基本的な問題は、ニューロンが電気生理学的記録を分析して情報をエンコードする方法をモデル化することである。 人気があり広く使われているアプローチは、スパイク列車を自動回帰ポイントプロセスモデルに適合させることである。 実際には、フィルターをパラメータ化するためには、十分にリッチだが小さな時間基底関数のアンサンブルを選択する必要がある。
• 参考スコア（独自算出の注目度）: 7.936841911281107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental problem in statistical neuroscience is to model how neurons encode information by analyzing electrophysiological recordings. A popular and widely-used approach is to fit the spike trains with an autoregressive point process model. These models are characterized by a set of convolutional temporal filters, whose subsequent analysis can help reveal how neurons encode stimuli, interact with each other, and process information. In practice a sufficiently rich but small ensemble of temporal basis functions needs to be chosen to parameterize the filters. However, obtaining a satisfactory fit often requires burdensome model selection and fine tuning the form of the basis functions and their temporal span. In this paper we propose a nonparametric approach for jointly inferring the filters and hyperparameters using the Gaussian process framework. Our method is computationally efficient taking advantage of the sparse variational approximation while being flexible and rich enough to characterize arbitrary filters in continuous time lag. Moreover, our method automatically learns the temporal span of the filter. For the particular application in neuroscience, we designed priors for stimulus and history filters useful for the spike trains. We compare and validate our method on simulated and real neural spike train data.
• Abstract（参考訳）: 統計神経科学の基本的な問題は、ニューロンが電気生理学的記録を分析して情報をエンコードする方法をモデル化することである。 広く使われているアプローチは、スパイク列車を自動回帰ポイントプロセスモデルに適合させることである。 これらのモデルは、神経細胞が刺激をコードし、相互に相互作用し、情報を処理する方法を明らかにするのに役立つ一連の畳み込み時間フィルタによって特徴づけられる。 実際には、フィルタをパラメータ化するために十分なリッチだが小さな時間基底関数のアンサンブルを選択する必要がある。 しかし、満足のいく適合を得るには、しばしば重荷のかかるモデル選択と基底関数の形式とその時間的スパンの微調整が必要となる。 本稿では,ガウス過程フレームワークを用いてフィルタとハイパーパラメータを共同で推定する非パラメトリック手法を提案する。 連続時間ラグで任意のフィルタを特徴付けるのに十分な柔軟性と豊かさを保ちながら,スパース変分近似の利点を生かし,計算的に効率的である。 さらに,フィルタの時間的スパンを自動的に学習する。 神経科学の特定の応用として、スパイク列車に有用な刺激や履歴フィルタの事前設計を行った。 シミュレーションデータと実際のスパイクトレインデータの比較検証を行った。

関連論文リスト

• Neuronal Temporal Filters as Normal Mode Extractors [11.075435272349862]
  我々は、スカラー時系列入力の将来を予測するニューロンを考慮し、脳機能のコアでどのように予測されるかを検討する。 線形システムによって生成された合成データのノイズ観測において,そのようなアルゴリズムの動作を数学的に解析する。
  論文  参考訳（メタデータ） (2024-01-06T16:10:02Z)
• WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
  ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。 本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。 WaLiN-GUIはオープンソースとドキュメントが提供されている。
  論文  参考訳（メタデータ） (2023-10-25T20:34:08Z)
• Temporal Conditioning Spiking Latent Variable Models of the Neural Response to Natural Visual Scenes [29.592870472342337]
  本研究は, 時間条件付潜時変動モデル(TeCoS-LVM)を提示し, 自然視覚刺激に対する神経応答をシミュレートする。 スパイクニューロンを使用して、記録された列車と直接一致するスパイク出力を生成します。 我々は,TeCoS-LVMモデルにより,よりリアルなスパイク活動が生成され,強力な代替手段よりも正確なスパイク統計に適合することを示す。
  論文  参考訳（メタデータ） (2023-06-21T06:30:18Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Neuronal architecture extracts statistical temporal patterns [1.9662978733004601]
  情報表現や処理に高次時間的(コ-)ゆらぎをいかに利用できるかを示す。 単純な生物学的にインスパイアされたフィードフォワードニューロンモデルでは、時系列分類を行うために3階までの累積から情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-01-24T18:21:33Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Neural parameter calibration for large-scale multi-agent models [0.7734726150561089]
  本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。 2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
  論文  参考訳（メタデータ） (2022-09-27T17:36:26Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Adaptive conversion of real-valued input into spike trains [91.3755431537592]
  本稿では,実数値入力をスパイクトレインに変換し,スパイクニューラルネットワークで処理する方法を提案する。 提案手法は網膜神経節細胞の適応的挙動を模倣し,入力ニューロンが入力の統計の変化に応答することを可能にする。
  論文  参考訳（メタデータ） (2021-04-12T12:33:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。