計算感知卡爾曼濾波器結合模型選擇用於神經動態

研究論文在 arXiv 上發表，提出了一個名為計算感知狀態空間模型（CASSM）的新框架。該框架專門針對神經科學中的動態潛變量建模，特別適用於試驗數少於神經元數的尺度不平衡場景。論文探討指出，傳統貝葉斯方法因能明確建模先驗和不確定性而在神經記錄分析中扮演重要角色，但現代大型數據集使得過參數化的深度網絡更受青睞，因其預測力和計算效率。然而，深度網絡的後驗近似會引入誤差。本研究擴展了計算不確定性的概念，引入新的訓練損失和優化方案，實現了大型狀態空間的可處理推斷。實驗結果顯示，在合成和真實數據上，CASSM 在尺度不平衡場景中與數據密集型深度網絡競爭，並顯著改善了不確定性校準。這為神經科學研究者提供了在給定數據集屬性和約束下選擇動態潛變量模型的實用路線圖。