背景紹介: 大規模ニューロン記録データは通常、ニューロン同時活性化パターンで記述することができます。しかし、ニューロン活動の変動を固定された低次元部分空間に制限するという観点では、固定されたニューロンシーケンスや緩やかに進化する潜在空間などのより高次元の構造が見落とされる可能性があります。本研究では、ニューロンデータにおけるタスク関連の可変性も、試行やタイミングの上で共変動し、異なる「共変性クラス」(covariability classes)を定義することができ、これらのクラスが同一データセットに同時に存在する可能性があると考えています。 研究動機: 従来の次元削減手法(主成分分析(PCA)など)は通常、単一の共変性クラスしかキャプチャできません。混在する複数の共変性クラスを区別するために...