A latent space network model for dynamic neural latent embedding
用于动态神经潜在嵌入的潜在空间网络模型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：摘要明确使用隐藏网络描述脑区交互，并以嵌套隐马尔可夫结构处理时间依赖，直接对应网络与时间序列方法。
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
用于动态神经潜在嵌入的潜在空间网络模型
- 研究问题
- 如何从多变量神经脉冲时间序列中共同刻画脑区放电活动、隐藏交互网络及实验条件变化引起的动态转移，并给出可解释表示？
- 方法与思路
- 作者以潜变量描述脑区放电率，将隐藏交互网络嵌入几何潜在空间，并加入嵌套隐马尔可夫结构以捕捉非线性的时间变化。
- 材料陈述的贡献
- 摘要称，该模型统一刻画脑活动、时间动态与溢出效应，提供几何可视化及与特征向量中心性的概念联系，并推导防退化充分条件。
- 阅读关注点
- 核对隐藏网络与潜变量的识别、中心性解释的精确含义、隐马尔可夫层级设置，以及防退化条件如何限制模型与估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未给出估计算法或数值表现，模型中的交互与溢出解释不能直接视为因果证据。
原文摘要
We introduce a novel latent space network model for analyzing multivariate time series of neural spike-train data. The methodology is motivated by an experimental study in mice, where neuronal responses were collected under a sequence of visual discrimination tasks. We adopt a latent variable framework to model the firing rates of aggregated brain areas, while simultaneously inferring the interactions between regions via a hidden network structure. This interaction network is embedded in a geometric latent space, enabling interpretable visualizations and novel model-based summaries. The proposed framework provides an intuitive interpretation of the latent variables, which bear a conceptual connection to node eigen-centrality measures. To capture temporal dependence, we incorporate a nested hidden Markov structure that can flexibly represent non-linear shifts that are induced by the changing of experimental conditions. We further establish theoretical properties of the model by deriving sufficient conditions that prevent degeneracy, thereby guiding our model assumptions. Overall, the proposed methodology provides a unified framework to characterize brain activity, its temporal dynamics, and spillover effects through a hidden latent space network model.