可扩展的高斯过程推断神经对自然图像的反应

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 预测感官神经元对自然刺激的反应是具有挑战性的.
• 深度神经网络在大型数据集上表现出色,但在有限的数据上却难以应对.
• 斯过程 (GPs) 处理有限的数据,但在高维的刺激方面效率低下.

研究的目的:

• 为了调整高斯过程 (GPs),模拟神经对高维自然刺激的反应.
• 与深度神经网络相比,提高预测准确度,特别是在数据有限的场景中.
• 为了利用全科医生的不确定性量化来进行高效的闭环实验.

主要方法:

• 将结构化的 priors (局部,平滑的受体场) 纳入高斯过程 (GPs).
• 应用缩放的全科医生来模拟视网膜神经元对自然图像的反应.
• 在闭环实验中利用全科医生进行活跃刺激选择.

主要成果:

• 具有结构化先验的全科医生在预测视网膜对自然图像的反应方面明显优于深度神经网络.
• 当模型在小数据集上接受训练时,性能差异最明显.
• 一般医生能够使用很少的数据来有效地学习模型和快速区分竞争模型.

结论:

• 结构化的先验使高斯过程 (GPs) 能够有效地模拟对高维刺激的复杂神经反应.
• 全科医生为深度神经网络提供了一个强大的替代方案,特别是在数据稀缺的神经科学研究中.
• 开发的GP方法促进了闭环神经科学实验中高效的数据采集和模型选择.