Robust Estimation of Self-Exciting Generalized Linear Models With Application to Neuronal Modeling
Robust Estimation of Self-Exciting Generalized Linear Models With Application to Neuronal Modeling
复制标题
自激广义线性模型的鲁棒估计及其在神经元建模中的应用
DOI：
10.1109/tsp.2017.2690385
复制
发表时间：
2015
影响因子：
5.4
通讯作者：
B. Babadi
中科院分区：
文献类型：
--
作者：
A. Kazemipour;Min Wu;B. Babadi
我们考虑从有限二元观测估计自激广义线性模型的问题，其中过程的历史作为协变量。本文分析了正则化最大似然估计和贪心估计这两类估计对于正则自激过程的性能，并描述了在非渐近状态下稳定恢复所需的采样权衡。我们的研究结果将具有独立同分布协变量的线性和广义线性模型的压缩感知扩展到具有高度相互依赖协变量的模型。我们进一步提供了模拟研究以及应用于小鼠外侧膝状核和雪貂视网膜神经节细胞的真实峰值数据，这些数据与我们的理论预测一致。
We consider the problem of estimating self-exciting generalized linear models from limited binary observations, where the history of the process serves as the covariate. We analyze the performance of two classes of estimators, namely, the $\ell _1$-regularized maximum likelihood and greedy estimators, for a canonical self-exciting process and characterize the sampling trade-offs required for stable recovery in the non-asymptotic regime. Our results extend those of compressed sensing for linear and generalized linear models with independent identically distributed covariates to those with highly interdependent covariates. We further provide simulation studies as well as application to real spiking data from the mouse's lateral geniculate nucleus and the ferret's retinal ganglion cells, which agree with our theoretical predictions.
登录
查看更多内容
影响因子：
2.5
作者：
Luck, SJ;Chelazzi, L;Desimone, R
通讯作者：
Desimone, R
视网膜发育过程中自发神经活动记录的数据存储库和分析框架
DOI：
10.1101/000455
发表时间：
2013
期刊：
--
影响因子：
--
作者：
Eglen S
通讯作者：
Eglen S
DOI：
10.1152/ajpheart.00482.2003
发表时间：
2005-01-01
影响因子：
4.8
作者：
Barbieri, R;Matten, EC;Brown, EN
通讯作者：
Brown, EN
影响因子：
2.5
作者：
Truccolo, W;Eden, UT;Brown, EN
通讯作者：
Brown, EN