machenslab/dPCA

해결하는 문제

자극, 결정, 보상과 같은 여러 태스크 파라미터가 집단 반응에 영향을 미치는 복잡한 집단 활동(예: 신경 데이터)에서 핵심 특징을 추출하는 문제를 해결합니다. 일반적인 PCA와 달리, 데이터를 이러한 다양한 태스크 파라미터에 특화된 구성 요소로 분해할 수 있습니다.

작동 방식

선형 차원 축소 기법으로, 집단 활동을 '데믹스 성분(demixed components)'으로 분해합니다. 이 성분들은 데이터의 대부분의 분산을 포착하면서도, 집단이 특정 태스크 파라미터에 어떻게 동적으로 조정되는지를 강조합니다.

대상 사용자

특히 신경과학 분야에서 고차원 집단 데이터를 분석하는 연구자 및 데이터 과학자로, 관측된 활동에 영향을 미치는 다양한 실험 변수를 분리해야 하는 경우에 적합합니다.

주요 특징

• Python 및 MATLAB 구현 제공.
• Python에서는 scikit-learn과 유사한 API를 사용해 사용 편의성 향상.
• 파라미터 축에 사용자 정의 레이블 지원으로 마진화 간소화.
• 마진화별 구성 요소 수를 유연하게 설정 가능.