贝叶斯神经系统识别与响应变异
摘要：神经群体对感觉系统中的外部物理刺激做出回应。这种刺激-响应关系通常通过假设具有相同和相互独立的高斯或泊松分布的感受野来进行特征化，通过损失函数进行。然而，对同一刺激的重复呈现的响应有所变化，使得对神经编码的理解变得复杂。因此，要理解神经信息处理，关键是在试验之间的变异性存在的情况下，确定刺激-响应函数。在这里，我们提出了一种贝叶斯系统辨识方法，用于预测对不确定性的视觉刺激的神经反应，并探讨通过使用突触变异性来合并响应波动是否有助于识别神经响应特性。为此，我们使用变分推断构建了一个神经网络模型来估计每个模型权重的分布。对不同神经数据集的测试表明，与使用点估计模型参数的Monte Carlo dropout方法和传统模型相比，该方法在神经预测方面可以实现更高或可比的性能。与此同时，我们的变分方法允许估计神经传递函数的不确定性，我们发现该不确定性与预测性能呈负相关。最后，我们的模型使得一个极具挑战性的任务成为可能，即对未知刺激的噪声相关性进行预测，尽管程度适度。综上所述，我们提供了一个概率方法作为同时估计神经感受野和分析神经元群体试验之间协变性的起点，这有助于揭示随机生物计算的基础。
作者：Nan Wu, Isabel Valera, Alexander Ecker, Thomas Euler, Yongrong Qiu
论文ID：2308.05990
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-08-14