[論文レビュー] Comparison Against Task Driven Artificial Neural Networks Reveals Functional Properties in Mouse Visual Cortex

Jianghong Shi, Eric Shea‐Brown+1 more|arXiv (Cornell University)|Nov 18, 2019

Neural dynamics and brain function被引用数 14

ひとこと要約

本研究では、アレイン脳研究所のデータを用いて、人工ニューラルネットワークとマウス視覚皮質の間の表現比較指標の頑健性を評価する。限られたニューロンおよび刺激のサンプリング下でもこれらの指標が信頼性を保つことが判明し、特にV1を含む視覚皮質領域が畳み込みネットワークの深層に類似した高次元の並列的変換を実行していることが示された。

ABSTRACT

Partially inspired by features of computation in visual cortex, deep neural networks compute hierarchical representations of their inputs. While these networks have been highly successful in machine learning, it is still unclear to what extent they can aid our understanding of cortical function. Several groups have developed metrics that provide a quantitative comparison between representations computed by networks and representations measured in cortex. At the same time, neuroscience is well into an unprecedented phase of large-scale data collection, as evidenced by projects such as the Allen Brain Observatory. Despite the magnitude of these efforts, in a given experiment only a fraction of units are recorded, limiting the information available about the cortical representation. Moreover, only a finite number of stimuli can be shown to an animal over the course of a realistic experiment. These limitations raise the question of how and whether metrics that compare representations of deep networks are meaningful on these data sets. Here, we empirically quantify the capabilities and limitations of these metrics due to limited image and neuron sample spaces. We find that the comparison procedure is robust to different choices of stimuli set and the level of sub-sampling that one might expect in a large scale brain survey with thousands of neurons. Using these results, we compare the representations measured in the Allen Brain Observatory in response to natural image presentations. We show that the visual cortical areas are relatively high order representations (in that they map to deeper layers of convolutional neural networks). Furthermore, we see evidence of a broad, more parallel organization rather than a sequential hierarchy, with the primary area VisP (V1) being lower order relative to the other areas.

研究の動機と目的

• 現実的な実験的制約下で、人工ニューラルネットワークと皮質データの間の表現比較指標の信頼性を評価すること。
• ニューロンの部分的サンプリングおよび限られた刺激セットが、大規模脳スクリーニングにおけるこれらの指標の妥当性に与える影響を調査すること。
• 頑健な指標をアレイン脳研究所の実際のデータに適用し、皮質表現とディープニューラルネットワーク特徴量を比較すること。
• マウス視覚皮質領域の階層的組織化を人工ネットワーク層と比較すること。
• 皮質表現がディープネットワークにおける逐次的階層構造か、並列的で分散型の処理構造か、どちらに近いかを評価すること。

提案手法

• さまざまな刺激セットおよびニューロンの部分的サンプリングレベル下で、表現比較指標（例：線形デコーダ、表現類似性分析）を実験的にテストする。
• 階層的視覚処理の計算モデルとして、ディープ畳み込みニューラルネットワーク（CNN）を用いる。
• 自然画像への反応に注目し、アレイン脳研究所の生体内記録データにこれらの指標を適用する。
• 表現類似性およびデコーディング性能に基づいて、皮質領域をCNNの対応する層にマッピングする。
• 記録されたニューロンの数や提示された刺激の多様性を変化させることで、頑健性を評価する。
• 線形分類器を用いて、神経およびネットワーク表現から刺激の識別をデコードし、定量的比較を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ニューロンおよび刺激のサンプリングが制限された状況下で、人工ニューラルネットワークと皮質データの間の表現比較指標はどの程度頑健か？
• RQ2 マウス視覚皮質領域は、表現類似性の観点から、どのCNN層に最も近いか？
• RQ3 視覚皮質処理の組織は、厳密な段階的順序に類似しているか、それともより並列的・分散型のアーキテクチャに類似しているか？
• RQ4 一次視覚皮質（VisP/V1）は、皮質階層における他の視覚領域と比較して機能的に低次の役割を果たしているか？
• RQ5 データが不完全であっても、表現比較指標は皮質領域の機能的特性を信頼性を持って明らかにできるか？

主な発見

• ニューロンおよび刺激の一部のサンプリング下でも、表現比較指標は頑健であり、大規模脳スクリーニングへの応用を支持する。
• 特にV1を含む視覚皮質領域は、畳み込みニューラルネットワークの深層にマッピングされ、高次元の表現を計算していることが示唆される。
• データは、厳密な段階的順序ではなく、広範で並列的な視覚処理の組織を示唆している。
• VisP（V1）は、他の視覚領域と比較して機能的に低次の役割を果たしており、視覚処理の初期皮質段階としての役割と整合的である。
• データ制限下でも、比較フレームワークは皮質領域と人工ネットワーク層の間の機能的類似性を効果的に同定できた。
• 結果は、ディープニューラルネットワークが視覚系における皮質計算を理解するための機能的モデルとして有効であることを支持する。