[논문 리뷰] Adaptive coding efficiency in recurrent cortical circuits via gain control

Lyndon Duong, Colin Bredenberg외 2명|arXiv (Cornell University)|2023. 05. 31.

Neural dynamics and brain functionNeuroscience인용 수 3

한 줄 요약

이 논문은 재귀 피질 회로에서의 적응적 코딩 효율성이 시냅스 가중치 변화가 아니라 단일 뉴런의 감도 조절에 기인한다고 제안한다. 자극의 정확도와 대사 비용을 균형 잡는 적응적 효율적 코딩 목표를 유도함으로써, 모델은 감도 조절이 재귀 네트워크를 통해 전파되어 다양한 적응 효과—조절 곡선 이동, 반응 상관성 감소, 반응 범위 변화—를 설명함을 보여준다. 이는 오직 O(N)의 파rameter로 이루어지며, 인구 수준의 감각 적응에 대해 빠르고 가역적이며 대사적으로 효율적인 메커니즘을 제공한다.

ABSTRACT

Sensory systems across all modalities and species exhibit adaptation to continuously changing input statistics. Individual neurons have been shown to modulate their response gains so as to maximize information transmission in different stimulus contexts. Experimental measurements have revealed additional, nuanced sensory adaptation effects including changes in response maxima and minima, tuning curve repulsion from the adapter stimulus, and stimulus-driven response decorrelation. Existing explanations of these phenomena rely on changes in inter-neuronal synaptic efficacy, which, while more flexible, are unlikely to operate as rapidly or reversibly as single neuron gain modulations. Using published V1 population adaptation data, we show that propagation of single neuron gain changes in a recurrent network is sufficient to capture the entire set of observed adaptation effects. We propose a novel adaptive efficient coding objective with which single neuron gains are modulated, maximizing the fidelity of the stimulus representation while minimizing overall activity in the network. From this objective, we analytically derive a set of gains that optimize the trade-off between preserving information about the stimulus and conserving metabolic resources. Our model generalizes well-established concepts of single neuron adaptive gain control to recurrent populations, and parsimoniously explains experimental adaptation data.

연구 동기 및 목표

• 자극 최대/최소 반응 이동, 조절 곡선의 상호 밀림 현상, 자극 유도 상관성 감소 등의 복잡한 신경 인구 적응 현상을 단일의 생물학적으로 타당한 메커니즘으로 설명하기.
• 빠르고 가역적인 시냅스 가중치 변화에 의존하는 기존 모델의 한계를 해결하기 위해, 단기 시간 스케일에서 대사적으로 비용이 많이 들고 불안정한 변화를 피하기 위함.
• 단일 뉴런의 감도 조절이 대사 및 균형 유지 조건 하에서 코딩 효율을 극대화하는 정규화된 프레임워크를 제안하기.
• 재귀 네트워크 동역학이 단일 뉴런 감도 조절을 전파하여 V1 데이터에서 관찰된 인구 수준의 적응 효과를 생성할 수 있음을 보여주기.
• 기존의 시냅스 가소성 기반 모델에 대한 단순한 대안을 제공하기 위해, O(N)의 감도 파rameter가 O(N²)의 시냅스 가중치 적응 효과를 재현할 수 있음을 보여주기.

제안 방법

• 모든 뉴런 간 상호 연결을 가진 재귀 신경망(RNN)을 구성하며, 각 뉴런은 스케일러 감도로 조절된 피드포워드 자극과 다른 뉴런들로부터 온 재귀 입력을 수신한다.
• 자극 표현 정확도와 전체 네트워크 활동(대사 비용) 사이의 균형을 최적화하는 새로운 적응적 효율적 코딩 목표를 정의한다.
• 목표 함수를 최소화하는 최적의 단일 뉴런 감도 조절을 분석적으로 유도하여, 입력 통계 변화에 대응하는 감도 조절을 위한 닫힌 형태의 해를 도출한다.
• 고양이 시각 피질의 공개된 V1 인구 데이터를 사용해 모델을 시뮬레이션하며, 자극은 균일하거나 편향된 방향성 집합에서 추출된다.
• 모델 예측를 실험 데이터와 비교하여 조절 곡선 이동, 반응 상관성 감소, 반응 범위 변화(최대/최소)에 중점을 둔다.
• 다양한 재귀 연결 구조(W)가 질적으로 유사한 적응 효과를 낼 수 있음을 보여, 모델의 강건성을 입증함으로써 특정 연결 패턴에 대한 기능적 불변성을 시사한다.

Figure 1: Recurrent adaptation model. A) A population of recurrently-connected orientation-tuned cells receives external feedforward drive (purple arrows) from a presented oriented grating stimulus, randomly sampled from a set of possible orientations. The width of the arrow denotes the strength of

실험 결과

연구 질문

• RQ1 재귀 네트워크에서의 단일 뉴런 감도 조절이 고양이 V1에서 관찰된 모든 주요 신경 적응 현상—조절 곡선의 상호 밀림, 반응 상관성 감소—을 설명할 수 있는가?
• RQ2 시냅스 가중치를 변경하지 않고도 감도 조절만으로도 신경 인구에서 효율적 코딩을 달성할 수 있으며, 실험 데이터와 잘 일치하는가?
• RQ3 제안된 적응적 효율적 코딩 목표가 재귀 회로에서 자극 정확도와 대사 비용을 어떻게 균형 잡는가?
• RQ4 특히 수백 밀리초의 시간 스케일을 고려할 때, 이 메커니즘이 피질 적응의 안정성과 가역성에 어떤 영향을 미치는가?
• RQ5 시냅스 가소성이 필요 없이도, 이 모델이 균일한가 편향된 자극 집합(예: 균일한 vs. 편향된 방향 분포) 모두에서 적응 효과를 설명할 수 있는가?

주요 결과

• 모델은 고양이 V1에서 관찰된 모든 주요 적응 효과—반응 최대/최소 감소, 조절 곡선의 상호 밀림, 자극 유도 반응 상관성 감소—를 성공적으로 재현한다.
• 재귀 연결을 통해 전파된 적응적 감도 조절은 균일하고 편향된 자극 조건 모두에서 실험 측정치와 일치하는 반응 상관성 감소를 생성한다.
• 유도된 감도 조절 메커니즘은 적응적 효율적 코딩 목표에 의해 수식화된 바와 같이, 코딩 정확도와 대사 비용 사이의 최적 균형을 달성한다.
• 기존 모델에서 O(N²)의 시냅스 가중치 변화에 비해 오직 O(N)의 적응 가능한 파rameter(감도)만을 사용함으로써, 더 대사적으로 효율적이고 안정적인 메커니즘이다.
• 실험적 검증 결과, 모델 예측과 공개된 V1 인구 기록 사이에 강력한 정량적 일치가 나타나며, 특히 조절 곡선 이동과 반응 범위 조정에서 두드러진다.
• 다양한 재귀 연결 패턴(W)에 대해 모델이 강건하게 유지되며, 이는 핵심 메커니즘이 특정 해부학적 연결에 의존하지 않고 기능적으로 독립적임을 시사하여 일반화 가능성에 기여한다.

Figure 2: Adaptive response equalization. Each dot is the average response of a neuron. A) Response averages under the uniform stimulus ensemble condition. B) Without adaptation, response averages under the biased stimulus ensemble show substantial deviation from equalization (which corresponds to t