机构名称：
¥ 4.0
计算神经科学的核心目的是将大量神经元种群的活性与潜在的动态系统联系起来。这些神经动力学的模型理想情况下应既可以解释又适合观察到的数据。低级复发性神经网络（RNN）通过具有可拖动动力学表现出这种解释性。但是，尚不清楚如何最佳地拟合低级别的RNN与由对潜在随机系统进行嘈杂观察的数据组成的数据。在这里，我们建议与随机的低级RNN一起使用各种顺序蒙特卡洛方法。我们在由连续和尖峰神经数据组成的几个数据集上验证了我们的方法，在该数据集中，我们获得的尺寸潜在动力学比当前方法的当前状态较低。此外，对于具有分段线性非线性的低级模型，我们展示了如何有效地识别单位数量中多项式而不是指数成本的所有固定点，从而分析了针对大型RNN的推断动力学分析。我们的方法都阐明了实验记录的基础动力系统，并提供了一种生成模型，其轨迹与观察到的可变性相匹配。
从神经数据中推断出随机的低级复发性神经网络
主要关键词
相关文件推荐
