Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-4440
Main Title: Optimal population coding of dynamic stimuli
Translated Title: Optimale Populationskodierung dynamischer Stimuli
Author(s): Kunze Susemihl, Alex
Advisor(s): Opper, Manfred
Referee(s): Obermayer, Klaus
Meir, Ron
Macke, Jakob
Opper, Manfred
Granting Institution: Technische Universität Berlin, Fakultät IV - Elektrotechnik und Informatik
Type: Doctoral Thesis
Language: English
Language Code: en
Abstract: Lebende Organismen müssen ständig Entscheidungen treffen, die auf partieller, ungewisser Information basieren. Nicht nur das Organismus-Umfeld ist unsicher, sondern auch die komputationellen Einheiten, die es zur Bildung einer Entscheidung anwendet, wie zum Beispiel, Neuronen in Nervensystemen. Immerhin besteht zwischen den beiden ein wichtiger Unterschied: auf die Umwelt kann der Organismus nur indirekt agieren, während die Neuronen direkt adaptiv eingestellt werden können. Ich befasse mich hier mit der Frage, wie Populationen von Neuronen sich organisieren können um die Informationsverarbeitung seiner Ausgänge zu erleichtern. Darin fokussiere ich mich auf dynamischen Stimuli, die schnelle Entscheidungen erbitten. In diesem Umfeld habe ich mehrere neue Ergebnisse erreicht, und das Feld der Populationskodierung zu einem dynamischen Kontext ausgearbeitet, in dem eine dynamische Umwelt online dekodiert wird, also in Echtzeit. Dazu habe ich die Theorie der Filterung doppelstochastischer Punktprozesse angewendet. Für dichte Populationen von Neuronen kann das als ein Gaussprozessregressionsproblem formuliert werden, für welchen ich ein geschlossenen Ausdruck für die Verteilung der Fehler fand. Der erarbeitete Formalismus erlaubt eine direkte Erweiterung zu einem kontrolltheoretischen Kontext, und ich habe die Ergebnisse in der kontrolltheoretischen Formulierung mit den Ergebnissen in der stochastischen Filterung verglichen. Interessanterweise war es mir möglich zu zeigen, dass beide Aufgaben zu unterschiedlichen optimalen Kodierungsstrategien führen. Das Feld der optimalen Kodierung in neuronalen Populationen ist ein aktives Forschungsfeld. Ich habe hier mehrere Ergebnisse zum Fall von dynamischen Stimuli erweitert. Parallel habe ich diese Ergebnisse mit kontrolltheoretischen Ergebnissen verglichen und diskutiert welche Implikationen das hat.
Organisms are routinely faced with the task of making decisions based on partial, unreliable information. Furthermore, not only is the environment noisy, but the computational units organisms employ themselves are often faulty and noisy, such as the neurons of the animal nervous system. There is a crucial difference, though: while the organism can only act indirectly on its environment, its sensory organs are under its direct control through adaptation. Here I thus consider how a population of neurons can organise itself to allow for optimal information processing at its output. I will focus on a model of a rapidly changing environment, which forces the organism to make short-time decisions. In that setting I have provided a number of novel results, extending the framework of population coding to a fully dynamic setting, where a changing environment is decoded from spike trains in an online fashion. To do so, I have drawn from the theory of stochastic filtering of doubly stochastic point processes. For a dense population of neurons, this reduces to a Gaussian process regression problem, for which I have obtained closed form relations for the error distribution. The formalism developed also lends itself to a direct extension to a control-theoretical setting. Thus I have also developed a criterion for optimal coding in the case of control problems, and have compared this to the case of estimation previously developed. Interestingly, I have been able to show that the different objective functions for control and estimation lead to different optimal encoders. The study of optimal coding in populations of neurons is an active fertile area of research. Here I have extended a number of previous findings to the case of online decoding of dynamic stimuli from point processes. Parallel to that, I have discussed the issue of optimal coding for control, and how it relates to the study of optimal coding in the estimation case.
URI: urn:nbn:de:kobv:83-opus4-65805
http://depositonce.tu-berlin.de/handle/11303/4737
http://dx.doi.org/10.14279/depositonce-4440
Exam Date: 23-Jan-2015
Issue Date: 27-May-2015
Date Available: 27-May-2015
DDC Class: 003 Systeme
519 Wahrscheinlichkeiten, angewandte Mathematik
539 Moderne Physik
Subject(s): Computationale Neurowissenschaft
Informationstheorie
Maschinelles Lernen
Stochastik
Computational neuroscience
Information theory
Machine learning
Statistical physics
Creative Commons License: https://creativecommons.org/licenses/by-sa/3.0/de/
Appears in Collections:Institut für Softwaretechnik und Theoretische Informatik » Publications

Files in This Item:
File Description SizeFormat 
susemihl_alex.pdf15.03 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons