[論文レビュー] Notes on Generalized Linear Models of Neurons

Jonathon Shlens|arXiv (Cornell University)|Apr 8, 2014

Neural Networks and Applications参考文献 6被引用数 5

ひとこと要約

本論文は、刺激入力、スパイク履歴、ネットワーク相互作用を対数線形条件付き強度関数で結びつける一般化線形モデル（GLM）フレームワークを提示し、神経細胞の発火活動をモデル化する。主な貢献は、受容 field、自己抑制性反応、および集団レベルの相関を効率的に推定可能な、取り扱いやすく最尤推定可能なアプローチを提供することである。

ABSTRACT

Experimental neuroscience increasingly requires tractable models for analyzing and predicting the behavior of neurons and networks. The generalized linear model (GLM) is an increasingly popular statistical framework for analyzing neural data that is flexible, exhibits rich dynamic behavior and is computationally tractable (Paninski, 2004; Pillow et al., 2008; Truccolo et al., 2005). What follows is a brief summary of the primary equations governing the application of GLM's to spike trains with a few sentences linking this work to the larger statistical literature. Latter sections include extensions of a basic GLM to model spatio-temporal receptive fields as well as network activity in an arbitrary numbers of neurons.

研究の動機と目的

• 感覚刺激およびネットワークダイナミクスへの応答として神経細胞発火活動をモデル化するための取り扱いやすい統計的フレームワークを提供すること。
• 基本的なポアソンモデルを拡張し、刺激フィルタおよびスパイク履歴フィルタを用いて時間的依存性を組み込むこと。
• 相互に作用する神経細胞集団の相関活動を、相互ニューロンの後発性シナプスフィルタを導入することでモデル化すること。
• 勾配ベース最適化を用いて、モデルパラメータの効率的かつ最尤推定を可能にすること。
• ヘッセ行列構造における条件付き独立性を活用して、複数ニューロン集団の並列フィッティングを可能にすること。

提案手法

• 時間的に変化する非定常ポアソン過程を用いてスパイクトレインをモデル化し、条件付き強度 $\lambda_t$ を定義する。
• 条件付き強度を $\lambda_t = \exp(\mathbf{k} \cdot \mathbf{x}_t + \mathbf{h} \cdot \mathbf{y}_t + \mu)$ として表現する。ここで $\mathbf{k}$, $\mathbf{h}$, および $\mu$ はそれぞれ刺激フィルタ、履歴フィルタ、バイアス項である。
• 対数尤度を $\mathcal{L}(\theta) = \sum_{t:\text{spike}} \log \lambda_t - \Delta \sum_t \lambda_t + c$ として定式化し、$\theta = \{\mathbf{k}, \mathbf{h}, \mu\}$ とする。
• 集団モデルに拡張するため、相互ニューロンの発火後フィルタ $\mathbf{h}_{ij}$ を導入し、$\lambda_i = \exp(\mathbf{k}_i \cdot \mathbf{x} + \sum_j \mathbf{h}_{ij} \cdot \mathbf{y}_j + \mu_i)$ とする。
• 最適化のための勾配およびヘッセ成分を導出する。パラメータの線形性により、異なるニューロン間の項はゼロとなる。
• ヘッセ行列におけるパラメータブロックの条件付き独立性を活用し、各ニューロンのパラメータを独立かつ並列にフィッティング可能にする。

実験結果

リサーチクエスチョン

• RQ1 一般化線形モデルは、刺激履歴、スパイク履歴、およびネットワーク活動と神経細胞発火をどのように関連付けることができるか？
• RQ2 リンク関数は、入力の線形結合を有効な条件付き強度に変換する役割を果たすのはどのようなものか？
• RQ3 条件付き独立性を仮定しない状況で、GLMはどのように同期発火のような相関活動を捉えることができるか？
• RQ4 神経モデリングにおいて、解析的に取り扱いやすい対数尤度を有する最尤推定の計算的利点は何か？
• RQ5 ヘッセ行列構造は、複数ニューロンのGLMパラメータをどのように効率的かつ並列にフィッティング可能にするか？

主な発見

• GLMフレームワークは、刺激フィルタ、スパイク履歴フィルタ、および対数線形リンク関数を組み合わせることで、条件付きに妥当な強度関数を生成し、神経細胞発火を効果的にモデル化できた。
• 対数尤度は解析的に取り扱いやすく、勾配ベース最適化に適しており、モデルパラメータの効率的かつ最尤推定が可能となった。
• 相互ニューロンの発火後フィルタ $\mathbf{h}_{ij}$ を組み込むことで、共通の刺激駆動を超えた同期発火のような相関活動をモデルが捉えることができた。
• ヘッセ行列には、異なるニューロンのパラメータ間のクロス項がゼロであり、各ニューロンのパラメータを独立して並列にフィッティング可能であった。
• ヘッセ行列の構造を活用することで、集団レベルの推論の複雑さが低減され、計算効率が向上した。
• 本フレームワークは、網膜、運動皮質、視覚皮質、海馬において神経活動を効果的にモデル化した実例を示しており、システム神経科学分野への広範な適用可能性を示した。