Durstewitz

Daniel Durstewitz Dept。理论神经科学（\ rgs）...

我们的小组在数学和算法级别上推动了ML/AI方法，重点是通过移动设备获得的时间序列数据，例如神经成像，脑电图/MEG或顺序行为数据（例如，生态时刻评估，EMA）。我们遵循一种强烈理论驱动的方法开发方法，深深植根于统计和动力学系统理论（DST）。鉴于在理论驱动的方法论发展中这种强大的主链，我们的方法和算法在深度学习领域处于绝对的最前沿，这为对神经和行为过程的完全新颖的见解提供了机会，这超出了“传统”机器/深度学习方法的范围。尤其是，我们对时间序列分析的DST观点会导致ML/AI方法，该方法产生了观察到时间序列的非线性动力学的机械解释模型。这是因为在某种程度上，任何已知的物理，生物学或社会系统都可以通过耦合微分方程的系统进行数学形式化。因此，与更传统的机器学习和时间序列预测的统计方法相比，我们的DST驱动方法具有两个主要优势：1）它们允许在单一主题级别对未来时间序列事件的理论上最佳预测； 2）此外，它们产生了一个可以深入，模拟和系统操纵的基础动力学的计算模型，以使（神经或行为）过程获得生成观察到的时间序列的（神经或行为）过程的机械见解。本质上，这些方法返回可用于预测个人疾病轨迹或探测可能的干预措施的个人行为和/或大脑动力学的计算模型。我们用于识别动力学系统基础时间序列观测的框架基于深层复发性神经网络（RNN），该神经网络（RNN）已知是动力学系统的通用近似值（即，可以模拟任何其他动态系统）。