计算神经科学把大脑写成方程

知识地图 › 08 方法与工具 › 8.4

8.4

潜变量与状态空间模型

Latent variable models

★★★ 进阶方法进阶

把观测到的脉冲看作"潜在低维状态"的噪声投影,用贝叶斯滤波反推状态轨迹。

核心要点

  1. LDS / GPFA:线性高斯假设,可用卡尔曼滤波或 EM 求解。
  2. LFADS:用 RNN + 变分推断处理单 trial 的混沌动力学,能去噪并推断输入。
  3. 潜变量模型让"跨 trial 平均"不再是唯一选择,可保留单次试验的动态。

公式

xt+1=Axt+wt,

yt∼ Poisson(f(Cxt))

状态按线性动力学演化,观测是状态的线性投影经非线性后驱动的泊松发放——这是"编码模型"的生成式版本。

直觉

你看到的是几十个神经元各自嘈杂的放电,但背后可能只有一个"意图"在缓慢变化。潜变量模型就是在还原这个意图。

常见误区

把潜变量当成真实神经机制。它是压缩后的描述,且存在旋转/缩放不可辨识性(需额外约束如正交化、稀疏化)。

出处

  • Yu et al. 2009, J Neurophysiol
  • Pandarinath et al. 2018, Nat Methods
回到模块 08