MARC

 008250123s2024        us                              c    eng  d
■001000017161707
■00520250211151434
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382807195
■035    ▼a(MiAaPQ)AAI31295466
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aJha,  Aditi.
■24510▼aInferring  Latent  Factors  and  States  Underlying  Behavior  and  Neural  Dynamics
■260    ▼a[Sl]▼bPrinceton  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a225  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Pillow,  Jonathan  W.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2024.
■520    ▼aRapid  advancements  in  experimental  neuroscience  are  now  generating  a  wealth  of  high-resolution  neural  and  behavioral  datasets.  This  opens  new  avenues  for  understanding  brain  computations  and  observed  behaviors.  Neural  and  behavioral  datasets  are  complex,  often  containing  several  dimensions.  However,  studies  consistently  show  that  a  small  number  of  underlying  factors  can  explain  much  of  the  observed  complexity  and  offer  interpretable  descriptions.  Nonetheless,  accurately  extracting  these  latent  factors  poses  several  challenges,  particularly  given  the  limited  samples  in  these  high-dimensional  datasets.  This  thesis  addresses  these  challenges  by  presenting  several  novel  statistical  approaches  that  are  data-efficient  and  are  tailored  for  neuroscientific  datasets.In  the  first  half,  we  present  methods  to  uncover  and  interpret  the  low-dimensional  representations  that  underlie  neural  activity  and  behavior  during  different  perceptual  tasks.  We  also  introduce  a  model  class  designed  to  extract  the  underlying  dynamics  of  different  neural  populations  engaged  in  sensory  tasks.  Notably,  this  framework  enables  testing  the  causal  involvement  of  various  neural  circuits  in  observed  behavior.  The  second  half  of  this  thesis  focuses  on  animal  behavior:  given  the  challenge  of  data  collection  in  neuroscience,  we  propose  an  approach  aimed  at  accelerating  the  inference  of  internal  states  that  describe  observed  animal  behavior  during  decision-making.  Finally,  we  develop  a  novel  formulation  to  understand  complex  animal  behavior  from  the  perspective  of  an  animal's  goals  and  actions,  using  inverse  reinforcement  learning.Overall,  this  thesis  highlights  the  efficacy  of  data-efficient  methods  and  approaches  with  the  tailored  inductive  biases  towards  obtaining  a  nuanced  understanding  of  neural  computations.  It  advocates  for  novel  paradigms  in  animal  behavior  modeling,  contributes  to  the  expanding  literature  on  dynamic  models  of  behavior,  and  adds  to  recent  endeavors  in  disentangling  the  roles  of  different  neural  populations  during  a  task.
■590    ▼aSchool  code:  0181.
■650  4▼aElectrical  engineering
■650  4▼aNeurosciences
■650  4▼aComputer  engineering
■653    ▼aBehavioral  datasets
■653    ▼aNeural  dynamics
■653    ▼aStatistical  models
■653    ▼aBrain  computation
■690    ▼a0544
■690    ▼a0317
■690    ▼a0464
■71020▼aPrinceton  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161707▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books