TiD

tidhy：通过超网络的时间尺度解散，从混合观察中学习同时动态

神经活动和行为来自多个并发的时变系统，包括神经调节，神经状态和历史；但是，大多数当前方法将这些数据建模为具有单个时间尺度的一组动力学。在这里，我们通过Hy Pernetworks（Tidhy）开发了Ti Mescale d emixing，作为一种新的计算方法，用于建模临时数据，将它们分解为多个同时的潜在动力学系统，这些动力系统可能跨越刻板级的阶数不同的时间表。具体来说，我们训练一个超网络以动态重新重新获得潜在动力学的线性组合。此方法可以实现准确的数据重建，收敛到真正的潜在动力学并捕获多个变化的时间尺度。我们首先证明Tidhy可以从包含多个独立开关线性动力学系统的合成数据中删除动力学和时间尺度，即使观察结果混合在一起。接下来，使用模拟的运动行为数据集，我们表明tidhy准确地捕获了运动运动学的快速动力学和不断变化的地形的缓慢动力学。最后，在开源的多动物社会行为数据集中，我们表明用Tidhy提取的关键点轨迹动力学可用于准确识别Multiple小鼠的社交行为。综上所述，Tidhy是一种强大的新算法，用于将同时的潜在动力系统与不同的计算域应用。