Some theoretical results on neural spike train probability models
神经脉冲序列概率模型的若干理论结果AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦神经脉冲点过程，未提供将其归入宏观时间序列或金融高频计量的充分依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
神经脉冲序列概率模型的若干理论结果
- 研究问题
- 如何评估多条神经脉冲序列中的模板出现显著性，并估计由刺激驱动发放率与脉冲后恢复函数共同决定的条件强度？
- 方法与思路
- 作者用实线上的计数或点过程建模，先以一般评分系统计算模板出现的 p 值，再对乘积形式的条件强度作筛极大似然估计。
- 材料陈述的贡献
- 摘要称给出模板出现的 p 值计算，并证明在两函数属于规定光滑类时，筛估计在 L1 损失下达到差一个对数因子的最优速率。
- 阅读关注点
- 应核对模板检验的概率模型、乘积强度的识别条件、光滑类及筛空间设定，以及最优速率比较所针对的函数类别。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体概率条件、筛构造和速率表达未说明，不能推广到任意神经脉冲过程。
原文摘要
This article contains two main theoretical results on neural spike train models, using the counting or point process on the real line as a model for the spike train. The first part of this article considers template matching of multiple spike trains. P-values for the occurrences of a given template or pattern in a set of spike trains are computed using a general scoring system. By identifying the pattern with an experimental stimulus, multiple spike trains can be deciphered to provide useful information. The second part of the article assumes that the counting process has a conditional intensity function that is a product of a free firing rate function s, which depends only on the stimulus, and a recovery function r, which depends only on the time since the last spike. If s and r belong to a q-smooth class of functions, it is proved that sieve maximum likelihood estimators for s and r achieve the optimal convergence rate (except for a logarithmic factor) under L1 loss.