machenslab/dPCA

何を解決するか

複雑な集団活動（例：神経データ）から、複数のタスクパラメータ（刺激、意思決定、報酬など）が集団応答に影響を与える場合、その本質的な特徴を抽出する課題に対処します。標準的なPCAとは異なり、データをこれらの異なるタスクパラメータに特化した成分に分解できる点が特徴です。

動作方法

線形次元削減技術であり、集団活動を「デミックス成分（demixed components）」に分解します。これらの成分はデータの大部分の分散を捉えつつ、集団が特定のタスクパラメータにどのように動的に調整されているかを強調します。

対象ユーザー

特に神経科学分野において、高次元の集団データを分析する研究者やデータサイエンティスト。観測された活動に影響を与える異なる実験変数を分離する必要がある場合に適しています。

特徴

• PythonおよびMATLABの両方の実装を提供。
• Pythonではscikit-learnと似たAPIを採用し、使いやすさを確保。
• パラメータ軸にカスタムラベルを設定可能で、マージナリゼーションを簡素化。
• マージナリゼーションごとの成分数を柔軟に設定可能。