MARC

 008260126s2025        us                              c    eng  d
■001000017359701
■00520260202105200
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297617247
■035    ▼a(MiAaPQ)AAI32244696
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aKinsella,  Ian  August.
■24510▼aDecoupling  Compression  and  Demixing:  A  Modular  Penalized  Matrix  Decomposition  Framework  for  Calcium  and  Voltage  Imaging  Data
■260    ▼a[Sl]▼bColumbia  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a221  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Paninski,  Liam.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2025.
■520    ▼aCalcium  and  voltage  imaging  produce  high-dimensional  fluorescence  movies  in  which  neural  activity  must  be  recovered  from  low-SNR  measurements  and  is  often  obscured  by  structured  backgrounds  and  acquisition  artifacts.  The  objective  is  to  recover  and  demix  signals  attributable  to  distinct  sources.  Most  pipelines  attempt  this  in  a  single  stage;  in  practice,  joint  formulations  are  sensitive  to  initialization  and  hyperparameters  and  are  computationally  demanding.  This  thesis  develops  a  modular  alternative:  perform  compression  and  denoising  first  to  obtain  a  compact,  noise-reduced  representation,  and  then  demix  on  that  representation.First,  the  thesis  introduces  a  patch-wise  Penalized  Matrix  Decomposition  (PMD)  that  constructs  a  structured,  low-rank  representation  aligned  with  characteristics  shared  across  modalities,  without  requiring  modality-specific  assumptions.  Framing  the  initial  stage  as  signal  approximation  rather  than  source  separation  yields  robust  compression  and  denoising  without  parameter  tuning  and  compares  favorably  with  standard  dimensionality  reduction  baselines.  This  positions  PMD  as  a  general-purpose  tool  and  a  foundation  from  which  to  revisit  the  design  of  demixing.Second,  the  thesis  turns  to  demixing  through  targeted  case  studies,  using  the  PMD  representation  as  the  substrate  for  redesigned,  modality-adapted  algorithms.  Working  directly  in  the  compressed  space  improves  conditioning,  enables  more  stable  and  data-driven  initialization,  and  reduces  computational  cost.  These  designs  are  translated  into  usable  software  and  reproducible  pipelines,  and  deployed  in  collaborative  settings,  illustrating  how  the  modular  framework  supports  scalable,  routine  analysis.
■590    ▼aSchool  code:  0054.
■650  4▼aStatistics
■650  4▼aNeurosciences
■650  4▼aComputer  science
■650  4▼aMedical  imaging
■653    ▼aCalcium  imaging
■653    ▼aMachine  learning
■653    ▼aMatrix  factorization
■653    ▼aVoltage  imaging
■653    ▼aNeural  activity
■690    ▼a0463
■690    ▼a0317
■690    ▼a0984
■690    ▼a0574
■690    ▼a0800
■71020▼aColumbia  University▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359701▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서