Meta-Learning for Decoding Neural Activity Data With Noisy Labels.
Meta-Learning for Decoding Neural Activity Data With Noisy Labels.
复制标题
DOI：
10.3389/fncom.2022.913617
复制
发表时间：
2022
影响因子：
3.2
通讯作者：
Chen, Rong
中科院分区：
文献类型：
--
作者：
Xu, Dongfang;Chen, Rong
关键词：
在神经解码中，行为变量通常由人工注释生成，注释的标签可能包含大量的标签噪声，导致模型泛化能力差。解决神经解码中的标签噪声问题可以提高模型的泛化能力和鲁棒性。我们使用基于深度神经网络的样本重新加权方法来解决这个问题。该方法通过使用小而干净的验证数据集来指导学习，从而对训练样本进行重新加权。我们评估了样本重加权方法的模拟神经活动数据和钙成像数据的前外侧运动皮层。对于模拟数据，即使在训练数据集中36%的样本被错误标记的情况下，该方法也可以准确地预测行为变量。对于前外侧运动皮层的研究，即使48%的训练样本被错误标记，所提出的方法也可以预测F1分数约为0.85的试验类型。
In neural decoding, a behavioral variable is often generated by manual annotation and the annotated labels could contain extensive label noise, leading to poor model generalizability. Tackling the label noise problem in neural decoding can improve model generalizability and robustness. We use a deep neural network based sample reweighting method to tackle this problem. The proposed method reweights training samples by using a small and clean validation dataset to guide learning. We evaluated the sample reweighting method on simulated neural activity data and calcium imaging data of anterior lateral motor cortex. For the simulated data, the proposed method can accurately predict the behavioral variable even in the scenario that 36 percent of samples in the training dataset are mislabeled. For the anterior lateral motor cortex study, the proposed method can predict trial types with F1 score of around 0.85 even 48 percent of training samples are mislabeled.
登录
查看更多内容
影响因子：
8.1
作者：
Shorten, Connor;Khoshgoftaar, Taghi M.
通讯作者：
Khoshgoftaar, Taghi M.
影响因子：
64.8
作者：
Li, Nuo;Chen, Tsai-Wen;Svoboda, Karel
通讯作者：
Svoboda, Karel
DOI：
10.1109/tnnls.2022.3152527
发表时间：
2022-03-04
影响因子：
10.4
作者：
Song, Hwanjun;Kim, Minseok;Lee, Jae-Gil
通讯作者：
Lee, Jae-Gil
影响因子：
1.1
作者：
Freund, Y;Schapire, RE
通讯作者：
Schapire, RE
影响因子：
2
作者：
Lee, Kyunghun;Wu, Xiaomin;Chen, Rong
通讯作者：
Chen, Rong