4.1.2.2 向量求和与最大似然估计

文档摘要

4.1.2.2 向量求和与最大似然估计当向量求和“失重”时：一个在神经解码中被反复踩坑的MLE权重陷阱你有没有试过—— 在群体编码解码任务里，把 $N$ 个神经元的发放率 $\mathbf{r} = [r1, r2, \dots, rN]^T$ 投射到一个二维运动方向空间上，用经典向量求和（Vector Sum）法得到初步估计 $\hat{\theta}{\text{VS}} = \arg\max\theta \sumi ri \cos(\theta - \thetai)$，再切过去做最大似然估计（MLE），套上泊松似然模型： $$ \mathcal{L}(\theta \mid \mathbf{r}) = \prod{i=1}^N