| dc.description.abstract | Læring funksjonell tilkobling i under-samplet regime
Siden de første dagene har nevrovitenskap forsker merket at den elektriske aktiviteten til noen nevroner i hjernen korrelerer med spesifikke trekk i den ekstern verden. Nå for tida antas det at informasjon i hjernen er kodet i samtidig aktivering av grupper av nevroner. For eksempel kan samaktiveringen av en spesifikk populasjon av nevroner representere et minne som blir tilbakekalt. Nevroner i hjernen danner nettverk der de sender elektriske signaler til andre nevroner som eksiterer eller inhiberer deres aktivering, og oppnår dermed dynamisk den selektive samaktiveringen av grupper av nevroner som kjennetegner mentale prosesser. Derfor vil undersøkelse av nettverkstilkobling i hjernen absolutt bidra til å belyse arten av prosesser som oppstår i hjernen.
I prinsippet er det mulig å utlede nettverksstruktur ved å måle nevral aktivitet i lang tid. Dessverre lar dagens teknologier bare undersøke en liten del av et nettverk i hjernen. Likevel kan analyse av statistiske avhengigheter målt blant observerte nevroner, som kalles funksjonelle tilkobling fordi de er formidlet av mange kjente og ukjente uobserverte faktorer, fremdeles gi betydelige fordeler for å forstå nevrale datasett. Faktisk tilhører rekonstruksjon og analyse av funksjonell tilkobling en verktøykasse med metoder som utnytter teknikker utviklet i andre fagområder som maskinlæring og statistisk fysikk og som hjelper til med å hente ut relevant informasjon fra store nevrale datasett.
I den nevnte kontekst, bidrar dette Thesis med algoritmer og metoder for å løse bestemte problemer som ofte oppstår i nettverket gjenoppbyggingsprosessen. Spesielt i det såkalte under-samplet regimet, som stort sett identifiserer alle de vanskelige situasjonene der data er knapp og bråkete, krever rekonstruksjonen av nettverkstilkobling flere forutsetninger om nettverksmodellen for å takle mangelen av høykvalitetsdata. I artikkel I, introduserer jeg en effektiv algoritme som forbedrer over eksisterende metoder for å gjenopprette nettverk med tynt tilkoblede noder ved å utnytte sparsitetsforutsetningen innenfor en Bayesiansk grafisk modellvalginnstilling. Når nettverk i stedet ikke forventes, i forkant, å være sparsomme, demonstrerer jeg i artikkel II at bedre rekonstruksjoner kan oppnås ved å bruke en uinformativ tidligere som eksplisitt innlemmer i den matematiske modellen vår uvitenhet om nettverkssparsitet. Til slutt, i det siste kapittelet i dette Thesis, understreker jeg viktigheten av å vurdere statistiske modeller som står for effektive interaksjoner mellom mer enn to nevroner som forventes å være relevante for å beskrive nevral aktivitet på grunn av potensielt mange uobserverte vanlige innganger i det observerte nettverket. En Restricted Boltzmann Machine (RBM) representerer et relativt enkelt eksempel på slike modeller som har funnet applikasjoner i nevraldataanalyse. I artikkel III avleder jeg et eksakt matematisk uttrykk som tydeliggjør hvor effektive mange kropper interaksjoner i en RBM er formet av maskinens design. Disse resultatene gjør det mulig å sammenligne direkte mellom forskjellige typer RBMer og med parvise modeller som er oftere brukt for å beskrive nevrale data. | en_US |
