Network inference via approximate Bayesian computation. Illustration on a stochastic multi-population neural mass model
近似贝叶斯计算的网络推断：随机多群体神经质量模型示例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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦神经科学中的脑连接推断与随机微分方程计算，未提供归入所列经济或金融细分方向的充分依据。
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…
近似贝叶斯计算的网络推断：随机多群体神经质量模型示例
- 研究问题
- 如何从多通道脑电时间序列推断神经群体之间的连接，并在耦合随机微分方程模型中降低近似贝叶斯计算的模拟成本？
- 方法与思路
- 作者构造多神经群体随机微分方程及数值分裂格式，改造序贯蒙特卡洛近似贝叶斯计算，并以二元参数表示耦合方向是否存在。
- 材料陈述的贡献
- 摘要称改造算法较标准方法需要更少模型模拟，提供模拟验证，并在真实脑电数据中探索不同发作及发作前后的连接特征。
- 阅读关注点
- 应核对连接参数的可辨识性、摘要统计量与接受容差的选择、数值模拟误差，以及计算节约是否伴随后验近似精度变化。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未提供成本比较数值，也不足以将推断连接解释为因果关系。
原文摘要
In this article, we propose an adapted sequential Monte Carlo approximate Bayesian computation (SMC-ABC) algorithm for network inference in coupled stochastic differential equations (SDEs) used for multivariate time series modeling. Our approach is motivated by neuroscience, specifically the challenge of estimating brain connectivity before and during epileptic seizures. To this end, we make four key contributions. First, we introduce a 6N-dimensional SDE to model the activity of N coupled neuronal populations, extending the (single-population) stochastic Jansen and Rit neural mass model used to describe human electroencephalography (EEG) rhythms, particularly epileptic activity. Second, we construct a reliable and efficient numerical splitting scheme for the model simulation. Third, we apply the proposed adapted SMC-ABC algorithm to the neural mass model and validate it on different types of simulated data. Compared to standard SMC-ABC, our approach significantly reduces computational cost by requiring fewer model simulations to reach the desired posterior region, thanks to the inclusion of binary parameters describing the presence or absence of coupling directions. Finally, we apply our method to real multi-channel EEG data, uncovering potential similarities in patients' brain activities across different epileptic seizures, as well as differences between pre-seizure and seizure periods.