[論文レビュー] Non-separable covariance models for spatio-temporal data, with applications to neural encoding analysis

Seyoung Park, Kerby Shedden+1 more|arXiv (Cornell University)|May 15, 2017

Neural Networks and Applications参考文献 24被引用数 3

ひとこと要約

本稿では、試行ごとの依存関係と時間的依存関係を別々に持つ成分に、時空間的行動データを分解する非分離型クラメル・サム共分散モデルを提案する。このモデルにより神経符号化解析の精度が向上する。正規性を仮定したもとで補正付きlassoおよびノードワイズ回帰を適用することで、精度行列の一貫した推定が可能となり、ハクチョウモドキの飛行行動における神経的影響が時間的依存性を持つ潜在的成分に主に局在していることが明らかになった。この影響は試行ごとの変動によって部分的に隠蔽されている。

ABSTRACT

Neural encoding studies explore the relationships between measurements of neural activity and measurements of a behavior that is viewed as a response to that activity. The coupling between neural and behavioral measurements is typically imperfect and difficult to measure.To enhance our ability to understand neural encoding relationships, we propose that a behavioral measurement may be decomposable as a sum of two latent components, such that the direct neural influence and prediction is primarily localized to the component which encodes temporal dependence. For this purpose, we propose to use a non-separable Kronecker sum covariance model to characterize the behavioral data as the sum of terms with exclusively trial-wise, and exclusively temporal dependencies. We then utilize a corrected form of Lasso regression in combination with the nodewise regression approach for estimating the conditional independence relationships between and among variables for each component of the behavioral data, where normality is necessarily assumed. We provide the rate of convergence for estimating the precision matrices associated with the temporal as well as spatial components in the Kronecker sum model. We illustrate our methods and theory using simulated data, and data from a neural encoding study of hawkmoth flight; we demonstrate that the neural encoding signal for hawkmoth wing strokes is primarily localized to a latent component with temporal dependence, which is partially obscured by a second component with trial-wise dependencies.

研究の動機と目的

• 高周波で高次元な行動データに測定誤差と複雑な依存構造が影響する状況において、神経符号化信号を特定する課題に対処すること。
• 時空間的行動データを、試行ごとの依存構造と時間的依存構造を別々に持つ成分の和としてモデル化し、非分離型共分散フレームワークを用いること。
• 正規性を仮定したもとで、誤差を含む説明変数（EIV）の存在下でも条件付き独立構造を推定するための補正付きlassoおよびノードワイズ回帰手法を開発すること。
• クラメル・サムモデルにおける時間的および空間的成分の精度行列推定の理論的収束速度を確立すること。
• シミュレーションとハクチョウモドキ飛行実験からの実際の神経符号化データを用いて、本手法の有効性を示すこと。

提案手法

• 行動データは、神経活動に関連する完全に時間的依存性を持つ1つの潜在的成分と、ノイズに似た完全に試行ごとの依存性を持つもう1つの成分の和としてモデル化される。
• 非分離型クラメル・サム共分散モデルを用いて、観測データの完全な共分散構造を表現し、$ \mathrm{Cov}(\mathrm{vec}(X)) = A \oplus B = A \otimes I_n + I_m \otimes B $ と表す。
• 測定誤差を含む設計行列を補正したlasso回帰を適用し、神経スパイク時刻の差と行動成分間の回帰係数を推定する。
• 正規性の仮定の下で、ノードワイズ回帰を用いて時間的および空間的成分の精度行列を推定し、条件付き独立構造の学習を可能にする。
• 理論的分析により、両成分の精度行列推定の収束速度を確立し、部分ガウス型濃縮不等式を用いて境界を導出する。
• シミュレーションによる妥当性確認と、ハクチョウモドキの実際の神経符号化データへの適用により、本手法が時間的依存性を持つ成分に神経信号を効果的に分離できることを示す。

実験結果

リサーチクエスチョン

• RQ1 非分離型クラメル・サム共分散モデルは、異なる依存構造を持つ成分に時空間的行動データを効果的に分解できるか？
• RQ2 ハクチョウモドキの翼打撃ダイナミクスにおける神経符号化信号は、試行ごとの変動よりも時間的依存性を持つ潜在的成分に主に存在するか？
• RQ3 高次元の時空間的データにおいて、測定誤差が存在する状況でも、補正付きlassoおよびノードワイズ回帰は真の条件付き独立構造をどれほどよく回復できるか？
• RQ4 部分ガウス型ノイズの仮定の下で、クラメル・サムモデルにおける精度行列推定の理論的収束速度は何か？
• RQ5 提案手法は、標準のlassoおよびリッジ回帰に比べて、神経行動的関係の分散をよりよく説明できるか？

主な発見

• ハクチョウモドキの翼打撃における神経符号化信号は、主に時間的依存性を持つ潜在的成分に局在しており、これは試行ごとの依存性を持つ別の成分に部分的に隠蔽されている。
• 補正付きEIV回帰モデルは、標準のlassoおよびリッジ回帰よりも高い最大R*値を達成しており、神経行動的関係の分散をよりよく説明していることを示している。
• 理論的分析により、クラメル・サムモデルにおける時間的および空間的成分の精度行列が、標本サイズと次元数に依存する収束速度で収束することが確認され、部分ガウス型濃縮不等式を用いて境界が導出された。
• ノードワイズ回帰によるグラフィカル構造推定により、時間的および空間的成分に意味のある条件付き独立パターンが明らかになった。最適なチューニングパラメータ下で、モグラJおよびLの両方でスパースなグラフが観察された。
• 標本相関行列のヒートマップから、500時間ポイント以内で強い時間的依存性が確認され、翼打撃間で顕著な相関が観察された。これは構造的時空間モデリングの必要性を裏付けている。
• シミュレーションおよび実データ解析の両方で確認されたように、本手法は試行ごとの変動に隠された状態でも、時間的依存性を持つ成分における神経的影響を効果的に回復できた。