[論文レビュー] Non-parametric generalized linear model

Matthew Dowling, Yuan Zhao+1 more|arXiv (Cornell University)|Sep 2, 2020

Gaussian Processes and Bayesian Inference参考文献 18被引用数 4

ひとこと要約

本論文は、神経パルス列解析における時間的フィルタとハイパーパrameterを同時に推定するためにスパース変分ガウス過程を用いる非パrametric一般化線形モデル（NPGLM）を提案する。手動による基底関数選択の必要性を排除し、計算効率と頑健な一般化性を備えた形で、フィルタの持続期間と形状を自動で学習する。シミュレートされたデータおよび実際の網膜データにおいて優れた性能を発揮する。

ABSTRACT

A fundamental problem in statistical neuroscience is to model how neurons encode information by analyzing electrophysiological recordings. A popular and widely-used approach is to fit the spike trains with an autoregressive point process model. These models are characterized by a set of convolutional temporal filters, whose subsequent analysis can help reveal how neurons encode stimuli, interact with each other, and process information. In practice a sufficiently rich but small ensemble of temporal basis functions needs to be chosen to parameterize the filters. However, obtaining a satisfactory fit often requires burdensome model selection and fine tuning the form of the basis functions and their temporal span. In this paper we propose a nonparametric approach for jointly inferring the filters and hyperparameters using the Gaussian process framework. Our method is computationally efficient taking advantage of the sparse variational approximation while being flexible and rich enough to characterize arbitrary filters in continuous time lag. Moreover, our method automatically learns the temporal span of the filter. For the particular application in neuroscience, we designed priors for stimulus and history filters useful for the spike trains. We compare and validate our method on simulated and real neural spike train data.

研究の動機と目的

• 神経パルス列解析の一般化線形モデル（GLMs）における手動による基底関数選択とハイパーパrameter調整の負担を軽減すること。
• ガウス過程を用いて時間的フィルタとハイパーパrameterを同時に推定する非パrametricベイズ的手法を開発すること。
• 事前に基底関数を指定せずに、フィルタの時間的範囲と滑らかさを自動で学習できること。
• 特にスパarsityが低いまたはデータ量が少ない状況でも、モデルの一般化性能と頑健性を向上させること。
• 神経科学の応用分野において、従来の基底関数に基づくGLMsの計算効率の良い代替手段を提供すること。

提案手法

• 時間遅れの連続的な領域における非パrametric推定を可能にするために、平均関数とカーネル関数を持つガウス過程（GP）の実現路線として時間的フィルタをモデル化する。
• M ≪ N であるインダクションポイントを用いたスパース変分近似により、計算コストを O(N³) から O(M²N) に削減する。
• GPのハイパーパrameterとインダクションポイントの位置を同時に最適化するための統合変分推論フレームワークを採用する。
• 神経発火データに適した構造的事前分布を刺激および履歴フィルタに課し、解釈可能性と性能を向上させる。
• 検証のため、適合したモデルから合成パルス列をアンセストラルサンプリングにより生成する。
• テストおよび繰り返し刺激におけるモデルの適合度と一般化性能を評価するために、発火率の正規化済み対数尤度と R² を用いる。

実験結果

リサーチクエスチョン

• RQ1 非パrametricなGPベースのアプローチは、基底関数ベースのGLMsよりも神経パルス列データのモデリングにおいて優れた性能を示せるか？
• RQ2 事前に基底関数を指定せずに、本手法は神経フィルタの時間的範囲と形状を自動で推定できるか？
• RQ3 データがスパースまたはノイズが多い状況下で、NPGLMの一般化性能はいかがなっているか？
• RQ4 スパース変分推論を用いることで、計算コストを削減しながらも精度を維持できるか？
• RQ5 標準的な基底関数では表現できない非滑らかまたは複雑なフィルタ形状をモデルが捉えられるか？

主な発見

• 6つの網膜Ganglion細胞すべてにおいて、NPGLMはテストおよび繰り返し刺激における正規化済み対数尤度で、GLM-MLEおよびGLM-ARDを一貫して上回った。
• 平均的にNPGLMは、正規化済み対数尤度と発火率予測のR²が高く、特に繰り返し刺激において優れた一般化性能を示した。
• 神経細胞2において、NPGLMは非滑らかな挙動の挑戦にもかかわらず、10 msの急激な上昇を示す履歴フィルタをGLM-ARDよりもよく捉えた。
• 本手法は、基底関数の誤選択による不足適合や過剰適合といった課題を回避しながら、従来のGLM結果と整合性のあるフィルタを効果的に推定した。
• 15〜25個のインダクションポイントのみでさえも、NPGLMは頑健な事後分布推定と安定した予測を達成しており、計算効率を示した。
• NPGLMからのアンセストラルサンプリングにより生成されたパルス列は、レスタープロット、インターパルス間隔分布、平均発火率の観点で、実測データとよく一致した。