ترجمه فارسی مقاله مدل‌سازی دینامیک عصبی نهفته با سیستم‌های دینامیکی خطی سوئیچینگ فرآیند گاوسی

چکیده

Understanding how the collective activity of neural populations relates to computation and ultimately behavior is a key goal in neuroscience. To this end, statistical methods which describe high-dimensional neural time series in terms of low-dimensional latent dynamics have played a fundamental role in characterizing neural systems. Yet, what constitutes a successful method involves two opposing criteria: (1) methods should be expressive enough to capture complex nonlinear dynamics, and (2) they should maintain a notion of interpretability often only warranted by simpler linear models. In this paper, we develop an approach that balances these two objectives: the Gaussian Process Switching Linear Dynamical System (gpSLDS). Our method builds on previous work modeling the latent state evolution via a stochastic differential equation whose nonlinear dynamics are described by a Gaussian process (GP-SDEs). We propose a novel kernel function which enforces smoothly interpolated locally linear dynamics, and therefore expresses flexible — yet interpretable — dynamics akin to those of recurrent switching linear dynamical systems (rSLDS). Our approach resolves key limitations of the rSLDS such as artifactual oscillations in dynamics near discrete state boundaries, while also providing posterior uncertainty estimates of the dynamics. To fit our models, we leverage a modified learning objective which improves the estimation accuracy of kernel hyperparameters compared to previous GP-SDE fitting approaches. We apply our method to synthetic data and data recorded in two neuroscience experiments and demonstrate favorable performance in comparison to the rSLDS.

چکیده به فارسی (ترجمه ماشینی)

درک چگونگی ارتباط جمعی جمعیت عصبی با محاسبات و در نهایت رفتار یک هدف اصلی در علوم اعصاب است.برای این منظور ، روشهای آماری که سریال های زمانی عصبی با ابعاد بالا را از نظر پویایی نهفته کم بعدی توصیف می کنند ، نقش اساسی در توصیف سیستم های عصبی داشته اند.با این حال ، آنچه یک روش موفق را تشکیل می دهد شامل دو معیار متضاد است: (1) روش باید به اندازه کافی بیانگر باشد تا دینامیک پیچیده غیرخطی را ضبط کند ، و (2) آنها باید مفهومی از تفسیر را حفظ کنند که اغلب فقط توسط مدل های خطی ساده تر ضروری است.در این مقاله ، ما رویکردی را ایجاد می کنیم که این دو هدف را متعادل می کند: فرآیند گاوسی سیستم دینامیکی خطی سوئیچینگ (GPSLD).روش ما بر روی کار قبلی مدل سازی تکامل حالت نهان از طریق یک معادله دیفرانسیل تصادفی ساخته شده است که پویایی غیرخطی که توسط یک فرآیند گاوسی (GP-SDE) شرح داده شده است.ما یک عملکرد هسته جدید را پیشنهاد می کنیم که پویایی خطی محلی را به راحتی درون یابی می کند ، و بنابراین پویایی انعطاف پذیر – در عین حال قابل تفسیر – شبیه به سیستم های دینامیکی خطی سوئیچینگ مکرر (RSLD) را بیان می کند.رویکرد ما محدودیت های کلیدی RSLD ها مانند نوسانات مصنوعی در پویایی نزدیک به مرزهای دولت گسسته را برطرف می کند ، در حالی که تخمین های عدم اطمینان خلفی از پویایی را نیز ارائه می دهد.برای متناسب با مدل های خود ، ما از یک هدف یادگیری اصلاح شده استفاده می کنیم که دقت تخمین هاپرپارامترهای هسته را در مقایسه با رویکردهای مناسب GP-SDE بهبود می بخشد.ما روش خود را برای داده های مصنوعی و داده های ثبت شده در دو آزمایش علوم اعصاب اعمال می کنیم و عملکرد مطلوب را در مقایسه با RSLD نشان می دهیم.