[論文レビュー] Interpretable Nonlinear Dynamic Modeling of Neural Trajectories

Yuan Zhao, Il Memming Park|arXiv (Cornell University)|Aug 23, 2016

Neural dynamics and brain function参考文献 23被引用数 15

ひとこと要約

本稿では、基底関数と全般的な収縮を用いて、神経軌道から連続的な速度場を学習する非線形で解釈可能な動的モデルを提案する。このモデルは、安定で有限な位相空間内での動的挙動を保証し、固定点、分岐、吸引状態といった重要な動的特徴を的確に回復でき、合成データおよび実際の神経データの両方において、非線形動的挙動を捉える点で線形モデルを上回る信頼性の高い長期予測を可能にする。

ABSTRACT

A central challenge in neuroscience is understanding how neural system implements computation through its dynamics. We propose a nonlinear time series model aimed at characterizing interpretable dynamics from neural trajectories. Our model assumes low-dimensional continuous dynamics in a finite volume. It incorporates a prior assumption about globally contractional dynamics to avoid overly enthusiastic extrapolation outside of the support of observed trajectories. We show that our model can recover qualitative features of the phase portrait such as attractors, slow points, and bifurcations, while also producing reliable long-term future predictions in a variety of dynamical models and in real neural data.

研究の動機と目的

• 観測された時系列データから解釈可能な神経動的挙動を再構築する逆問題に対処すること。
• 真の神経動的挙動を捉える点で、線形モデルや不安定な非線形自己回帰モデルの限界を克服すること。
• 全般的な収縮と低次元連続的動的挙動の強制により、モデルの頑健性と解釈可能性を確保すること。
• 固定点や遅い多様体といった定性的な動的特徴の同定と、信頼性の高い長期予測を可能にすること。
• 理論的動的系理論を神経時系列データと結びつけるため、構造的かつ解釈可能なモデリングフレームワークを提供すること。

提案手法

• モデルは、$r$ 個の連続的基底関数 $\bm{\phi}(\vx_t)$ を用いたパラメータ化により、直接的に速度場 $\vg(\vx_t)$ を学習する。$\vg(\vx_t) = \vW_g\bm{\phi}(\vx_t) - e^{-\tau^2}\vx_t$。
• 全般的な収縮項 $-e^{-\tau^2}\vx_t$ により、位相空間の有限体積内での動的挙動が保証され、発散する軌道の防止と一般化性能の向上が図られる。
• 入力依存の動的挙動は $\vB(\vx_t)$ を介してモデル化され、$\operatorname{vec}(\vB(\vx_t)) = \vW_B\bm{\phi}(\vx_t)$ により、入力による流れの調節が可能となる。
• 固定点は $\vg(\vx^*) + \vB(\vx^*)\vu = 0$ の解として特定され、ゴースト点は $\|\vg\|$ の局所的最小値かつ小さな大きさを示す点として特定される。
• 小さな $\Delta$ を用いた時間反転可能で連続時間の近似により、逆方向統合が可能となり、標準的な NARX モデルと比較して解釈可能性が向上する。
• 本手法は二段階のパイプラインとして適用される：まず、潜在的軌道（例：vLGP を用いて）を推定し、次にその推定軌道に解釈可能な動的モデルをフィットさせる。

実験結果

リサーチクエスチョン

• RQ1 非線形動的モデルは、神経軌道から吸引状態、固定点、分岐といった定性的な特徴を信頼性高く回復できるか？
• RQ2 特にカオス的または非線形な系において、モデルは訓練期間を越えた長期的な動的挙動をどれほど正確に予測できるか？
• RQ3 全般的な収縮事前分布を組み込むことで、神経動的挙動モデリングにおける一般化性能が向上し、物理的に不自然な外挿が防げるか？
• RQ4 実際の神経データにおける周期的および非線形的特徴を捉える点で、線形動的システム（LDS）を上回る性能を示せるか？
• RQ5 速度場のパラメータ化は、安定性および多様体構造の解釈可能な分析をどの程度可能にするか？

主な発見

• 本モデルは、ローレンツ系やリングアトラクタを含む合成モデルにおいて、固定点、遅い点、分岐といった重要な動的特徴を的確に回復した。
• ローレンツ系では、50ステップごとに50ステップ先の予測を精度よく行った。200ステップの時間窓において、予測値は真の軌道をよく追跡した。
• V1神経データでは、刺激提示中における周期的挙動を捉える点で、線形動的システム（LDS）を上回ったが、刺激OFF期間における微細な詳細には苦慮した。
• 全般的な収縮項の導入により、訓練データから遠く離れた領域における過剰な外挿が顕著に減少し、モデルの安定性が向上した。
• 固定点およびゴースト点は、$\|\vg\|$ の局所的最小値として信頼性高く特定され、準安定動的挙動や分岐イベントの検出が可能になった。
• 速度場のパラメータ化により、固定点まわりの直接的な線形化が可能となり、安定性解析および多様体の特徴付けが容易になった。