[論文レビュー] Synthesizing realistic neural population activity patterns using Generative Adversarial Networks

Manuel Molano‐Mazón, Arno Onken+2 more|arXiv (Cornell University)|Mar 1, 2018

Neural dynamics and brain function参考文献 34被引用数 25

ひとこと要約

本稿では、統計的仮定を事前に必要とせず、データから直接時間的および空間的相関を学習することで、現実的なスパイクニューラル集団活動を合成するWasserstein-GANの変種、Spike-GANを紹介する。本モデルは一次および二次の統計を正確に再現し、高次構造を近似する。最大エントロピーおよび二値化ガウスモデルに比べて柔軟性と現実性に優れ、特徴の寄与度を解釈可能なマップで可視化できる。

ABSTRACT

The ability to synthesize realistic patterns of neural activity is crucial for studying neural information processing. Here we used the Generative Adversarial Networks (GANs) framework to simulate the concerted activity of a population of neurons. We adapted the Wasserstein-GAN variant to facilitate the generation of unconstrained neural population activity patterns while still benefiting from parameter sharing in the temporal domain. We demonstrate that our proposed GAN, which we termed Spike-GAN, generates spike trains that match accurately the first- and second-order statistics of datasets of tens of neurons and also approximates well their higher-order statistics. We applied Spike-GAN to a real dataset recorded from salamander retina and showed that it performs as well as state-of-the-art approaches based on the maximum entropy and the dichotomized Gaussian frameworks. Importantly, Spike-GAN does not require to specify a priori the statistics to be matched by the model, and so constitutes a more flexible method than these alternative approaches. Finally, we show how to exploit a trained Spike-GAN to construct 'importance maps' to detect the most relevant statistical structures present in a spike train. Spike-GAN provides a powerful, easy-to-use technique for generating realistic spiking neural activity and for describing the most relevant features of the large-scale neural population recordings studied in modern systems neuroscience.

研究の動機と目的

• 実験的統計を事前に指定せずに、関連する統計的特徴を明示的に指定する必要のない、柔軟でデータ駆動型の神経集団スパイクトレインの生成手法を開発すること。
• 最大エントロピーおよび二値化ガウスフレームワークなど、従来のモデルが、例えばペアワイズ相関など、どの統計が関連するかを明示的に仮定する必要があるという限界を克服すること。
• 現代の記録技術から得られる大規模で複雑な神経データセットにスケーリング可能な、GANを用いた深層生成モデリングを活用すること。
• 訓練済みジェネレータから得られる解釈可能な寄与度マップを用いて、神経活動における顕著な統計的モチーフを同定すること。
• 学習された活動構造に基づいて生物学的に妥当な刺激パターンを生成することで、クローズドループ神経干渉を支援すること。

提案手法

• 時間軸にわたる重み共有を実装することで、時間的ダイナミクスを効率的に学習できるように、Wasserstein-GAN（WGAN）フレームワークを神経集団活動に適応させた。
• 神経回路全体に密接に接続されたアーキテクチャと、時間的重みを共有するジェネレータネットワークを設計し、空間時間的相関を保持した。
• ジェネレータが現実的なパターンを生成するよう促進するために、識別器が実際のスパイクトレインと生成されたスパイクトレインを区別する敵対的訓練を実施した。
• 生成された活動の変化を測定することで、潜在空間の摂動を用いて、重要度マップを計算し、重要なスパイクやモチーフを同定した。
• 実際の salamander 視床網膜データに本手法を適用し、一次および二次の統計を高い精度で再現し、高次構造を近似できることを示した。
• 統計的一致とサンプルの現実性の観点から、Spike-GANの性能をMaxEntおよびDGモデルと比較し、より優れた柔軟性と一般化性能を示した。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデル、たとえばGANは、どの統計を一致させるべきかという事前の仮定なしに、神経集団データから現実的なスパイク活動パターンを学習して合成できるか？
• RQ2 GANベースの手法は、複雑で非定常なデータにおいて、実際の神経集団活動の一次、二次、さらには高次統計的特徴をどの程度正確に再現できるか？
• RQ3 訓練済みのGANを用いて、生成された活動パターンのうち最も顕著なスパイクモチーフを解釈可能な寄与度マップで同定できるか？
• RQ4 GANベースの手法は、実際のスパイクトレインを生成する観点で、確立された最大エントロピーおよび二値化ガウスモデルに比べてどの程度優れているか？
• RQ5 生成されたパターンは、クローズドループ神経干渉のための生物学的に妥当な刺激プロトコルの設計に利用できるか？

主な発見

• Spike-GANは、両生類の視床網膜から得られた神経集団データの一次および二次統計を、高い精度で再現するスパイクトレインを生成できた。
• 訓練中に明示的にモデル化または制約を設けなかったにもかかわらず、データに存在する高次統計的構造をモデルが近似できた。
• Spike-GANは、どの統計的特徴を一致させるべきかを事前に指定する必要がないため、MaxEntおよびDGモデルに比べて柔軟性に優れている。
• 訓練済みジェネレータから得た寄与度マップは、データ内での最も顕著な空間時間的モチーフを的確に同定でき、重要なスパイクや活動パターンを強調した。
• 本手法により、実験的干渉のための標的刺激プロトコルを設計できる生物学的に現実的な神経活動パターンの生成が可能になった。
• 本アプローチは数十ニューロンのデータセットに対しても効果的にスケーリングでき、深層学習の進展を活用しているため、将来的により大規模かつ複雑な神経記録への応用が強く期待される。