ML-PWS: Estimating the Mutual Information Between Experimental Time Series Using Neural Networks
Manuel Reinhardt, Gašper Tkačik, Pieter Rein ten Wolde
量化信息传输的能力对于自然和工程系统的分析和设计至关重要。 信息传输速率是具有时间变化信号的系统的基本措施,但计算它极具挑战性。 特别是,由于信号轨迹空间的维度高,不能直接从实验时间序列数据中获得速率。 路径重量采样(PWS)是一种计算技术,可以准确地获得任何随机系统的信息速率。 然而,它需要感兴趣的系统的数学模型,无论是用主方程或一组微分方程来描述。 在这里,我们展示了一种利用机器学习(ML)从实验时间序列数据中开发生成模型的技术,然后与PWS结合以获得信息速率。 我们通过比较非线性模型生成的合成时间序列数据的结果与将PWS直接应用于同一模型获得的地面真实结果,证明了这种技术(称为ML-PWS)的准确性。 我们通过将其应用于神经元时间序列数据来说明ML-PWS的实用性。
The ability to quantify information transmission is crucial for the analysis and design of natural and engineered systems. The information transmission rate is the fundamental measure for systems with time-varying signals, yet computing it is extremely challenging. In particular, the rate cannot be obtained directly from experimental time-series data without approximations, because of the high dimensionality of the signal trajectory space. Path Weight Sampling (PWS) is a computational technique ...