探索用于计算神经科学分组回归的 EM 算法

基于摘要分析。该研究关注计算神经科学中线性编码与解码模型的分组正则化问题：当预测变量具有不同特征组时，如何分别估计各组回归权重的收缩强度。作者提出一个便于定义和估计此类模型的框架，并以期望最大化（EM）算法调整控制分组收缩的超参数。 在编码模型中，分组可对应不同刺激特征子集；在解码模型中，分组可对应不同神经响应通道的特征。核心机制是允许各组权重接受不同程度的收缩，而非统一使用同一正则化强度。摘要未给出具体概率模型、先验、超参数更新公式或收敛条件，这些技术细节尚未验证。 作者使用模拟数据考察模型的性质、局限与潜在用途，并进一步将其用于 BOLD fMRI 编码分析和 EEG 解码分析。摘要未提供具体任务、数据集、被试数、数据划分、对照方法或定量指标，因此尚不能判断其在被试内、跨被试或跨会话条件下是否优于其他正则化方法。 论文还讨论了正则化可能使模型解释复杂化的情形。阅读与复现时值得核对分组依据、超参数估计流程，以及权重解释与预测性能之间的关系；实验协议、消融及统计信息尚未验证。现有材料支持其作为神经数据分组回归方法进行考察，但不能据此断言其能提升 BCI 性能。