[論文レビュー] Online Neural Connectivity Estimation with Noisy Group Testing

Anne Draelos, John Pearson|arXiv (Cornell University)|Jan 1, 2020

SARS-CoV-2 detection and testing被引用数 4

ひとこと要約

本論文は、ホログラフィック光刺激を用いて、大規模かつスパースなネットワークにおけるバイナリーニューロン接続性を効率的に推定するノイズありグループテストフレームワークを提案する。個々のニューロンではなくニューロン集合を刺激することで、必要とされるテスト数を集合サイズの対数スケールに削減し、接続性推定を凸最適化問題に定式化する。この問題は変分ベイズ推論と同等であり、10万個程度のニューロンからなるネットワークに対しても、リアルタイムでストリーミング可能な接続性推定を可能にする。

ABSTRACT

One of the primary goals of systems neuroscience is to relate the structure of neural circuits to their function, yet patterns of connectivity are difficult to establish when recording from large populations in behaving organisms. Many previous approaches have attempted to estimate functional connectivity between neurons using statistical modeling of observational data, but these approaches rely heavily on parametric assumptions and are purely correlational. Recently, however, holographic photostimulation techniques have made it possible to precisely target selected ensembles of neurons, offering the possibility of establishing direct causal links. A naive method for inferring functional connections is to stimulate each individual neuron multiple times and observe the responses of cells in the local network, but this approach scales poorly with the number of neurons. Here, we propose a method based on noisy group testing that drastically increases the efficiency of this process in sparse networks. By stimulating small ensembles of neurons, we show that it is possible to recover binarized network connectivity with a number of tests that grows only logarithmically with population size under minimal statistical assumptions. Moreover, we prove that our approach, which reduces to an efficiently solvable convex optimization problem, is equivalent to Variational Bayesian inference on the binary connection weights, and we derive rigorous bounds on the posterior marginals. This allows us to extend our method to the streaming setting, where continuously updated posteriors allow for optional stopping, and we demonstrate the feasibility of inferring connectivity for networks of up to tens of thousands of neurons online.

研究の動機と目的

• 行動中の大規模ニューロン集団における機能的神経接続性を推定する課題に取り組む。従来の手法はスケーラビリティの限界やパrametric仮定への依存性により制限を受ける。
• 個々のニューロンを刺激する方法の非効率性を、グループテストを活用することで必要な刺激回数を削減する。
• 最小限の統計的仮定のもとで、標的光刺激による因果推論を可能にする手法を開発する。
• 時間発展する事後確率的マージナルを導出することで、信頼性に基づいた任意停止を可能にする、リアルタイムでストリーミング可能な接続性推定を実現する。
• 計算的に効率的な凸最適化定式化を用いて、10万個程度のニューロンからなるネットワークへの接続性推定をスケーラブルに実現する。

提案手法

• ニューロン集合を刺激し、応答パターンを用いてバイナリーサイナプス接続性を推定する、ノイズありグループテスト問題として神経接続性推定を定式化する。
• 接続重みを潜在的なバイナリーデータ変数としてモデル化し、これらの重みの事後分布を近似するために変分ベイズ推論を用いる。
• 標準的な数値的手法で効率的に解ける凸最適化問題に推論問題を還元する。
• 接続重みの事後マージナルに対する厳密な解析的境界を導出し、信頼性の定量化とストリーミング環境下での任意停止を可能にする。
• 新しい刺激-応答データが継続的に入力されるストリーミングフレームワークに統合し、オンラインでの接続性推定を可能にする。
• 神経ネットワークのスパarsityを活用することで、必要なテスト数が集合サイズに対して線形ではなく対数的に増加することを保証する。

実験結果

リサーチクエスチョン

• RQ1 グループテストの原則を大規模神経回路における接続性推定に応用することで、必要とされる刺激回数を著しく削減できるか？
• RQ2 最小限の統計的仮定のもとで、計算効率を維持しつつバイナリ接続性を推定できる手法をどのように設計できるか？
• RQ3 変分ベイズ推論をどの程度活用して、神経ネットワークにおける接続重みの解析的に扱いやすい事後分布を導出できるか？
• RQ4 信頼性に基づいた任意停止が可能であるリアルタイムでストリーミング可能な推定を実現できるか？
• RQ5 このアプローチのスケーラビリティは、集団サイズの観点からどの程度であり、10万個程度のニューロンからなるネットワークを処理できるか？

主な発見

• 提案手法により、必要な刺激回数がネットワークサイズに対して対数的に増加するようになり、大規模ニューロン集団におけるスケーラブルな推定が可能になる。
• 本手法はバイナリ接続重みに対する変分ベイズ推論と同等であり、接続性推定のための原理的で確率的フレームワークを提供する。
• 接続重みの事後マージナルに対する厳密な解析的境界が導出され、信頼性の定量化とオンライン環境下での任意停止を可能にする。
• 推論問題が凸最適化問題に還元され、計算効率と数値的安定性が保証される。
• 本手法は、最大10万個程度のニューロンからなるネットワークにおけるオンライン接続性推定が可能であると実証された。
• 本アプローチにより、標的光刺激を用いた直接的な因果推論が可能となり、従来の統計的手法の相関的制限を克服する。