[논문 리뷰] Bayesian Learning of Loglinear Models for Neural Connectivity

Kathryn Blackmond Laskey, Laura Martignon|arXiv (Cornell University)|2013. 02. 13.

Neural Networks and Applications참고 문헌 23인용 수 5

한 줄 요약

이 논문은 뉴런의 발 firing 데이터로부터 신경 회로 연결 구조를 추론하기 위해 로그선형 모델과 마르코프 체인 몬테카를로 모델 구성(MC3)을 사용하는 베이지안 프레임워크를 제안한다. 이는 자극 간 변화를 감지하고 고차 상호작용을 식별할 수 있게 해주며, 영양개의 시각 피질 데이터에 적용된 결과, 주의 상태에 따라 다른 상호작용 구조가 존재함을 확인하였다. 이는 자극에 따라 신경망이 재구성됨을 검증한 것이다.

ABSTRACT

This paper presents a Bayesian approach to learning the connectivity structure of a group of neurons from data on configuration frequencies. A major objective of the research is to provide statistical tools for detecting changes in firing patterns with changing stimuli. Our framework is not restricted to the well-understood case of pair interactions, but generalizes the Boltzmann machine model to allow for higher order interactions. The paper applies a Markov Chain Monte Carlo Model Composition (MC3) algorithm to search over connectivity structures and uses Laplace's method to approximate posterior probabilities of structures. Performance of the methods was tested on synthetic data. The models were also applied to data obtained by Vaadia on multi-unit recordings of several neurons in the visual cortex of a rhesus monkey in two different attentional states. Results confirmed the experimenters' conjecture that different attentional states were associated with different interaction structures.

연구 동기 및 목표

• 구성 빈도 데이터로부터 신경 연결을 학습하는 통계적 프레임워크를 개발하기 위해.
• 이차 상호작용을 넘어서 고차 뉴런 상호작용을 모델링하여 확장하기 위해.
• 다른 실험 조건 또는 자극 간에 신경 상호작용 구조의 변화를 감지하기 위해.
• 연결 구조의 사후 확률을 추정하기 위한 베이지안 접근법을 제공하기 위해.
• 합성 데이터와 영양개의 실제 신경 기록 데이터를 바탕으로 방법을 검증하기 위해.

제안 방법

• 프레임워크는 뉴런 군의 동시 발화 패턴을 표현하기 위해 로그선형 모델을 사용하며, 이는 고차 상호작용을 포함하는 볼츠만 기반 모델의 일반화이다.
• 가능한 연결 구조의 공간을 탐색하고 샘플링하기 위해 마르코프 체인 몬테카를로 모델 구성(MC3) 알고리즘이 사용된다.
• 각 연결 구조에 대해 주변 가능도를 라플라스 방법으로 근사하여 사후 확률 추정이 가능해진다.
• 모델 확률의 사후 분포를 계산하여 가장 가능성이 높은 연결 구성 구조를 순위 매기고 선택한다.
• 합성 데이터를 활용한 검증과 영양개의 시각 피질에서의 실제 다중 유닛 기록 데이터를 모두 처리할 수 있다.
• 모델 비교는 사후 구조 선택의 불확실성을 반영한 베이지안 모델 평균화를 통해 수행된다.

실험 결과

연구 질문

• RQ1 관측된 발화 활동 구성 빈도에서 뉴런 간 고차 상호작용을 신뢰성 있게 추론할 수 있는가?
• RQ2 다른 주의 상태가 기저의 신경 연결 구조에 어떤 영향을 미치는가?
• RQ3 제한된 신경 데이터를 바탕으로 베이지안 프레임워크가 경쟁하는 연결 모델을 효과적으로 구분할 수 있는가?
• RQ4 실제 신경 데이터 제약 조건 하에서 모델 선택과 사후 확률 추정 성능은 어떻게 되는가?
• RQ5 신경 상호작용 패턴의 변화가 행동 또는 인지 상태의 변화와 어느 정도 관련이 있는가?

주요 결과

• 베이지안 로그선형 모델은 영양개의 시각 피질 데이터에서 주의 상태에 따라 다른 신경 상호작용 구조를 성공적으로 탐지하였다.
• 연구자들이 제기한 가설, 즉 주의 상태 변화가 신경 연결 패턴의 재구성과 관련이 있다는 것을 확인하였다.
• 고차 상호작용은 이차 모델이 포착하지 못한 통계적으로 유의미하고 유의미한 정보를 제공하였다.
• MC3 알고리즘은 가능한 연결 구조 공간을 효율적으로 탐색하고 사후 확률이 높은 모델을 식별하였다.
• 라플라스 근사는 모델 비교를 위한 정확하고 계산적으로 실현 가능한 사후 확률 추정을 제공하였다.
• 합성 데이터 실험을 통해 제어된 조건 하에서 알려진 상호작용 구조를 회복할 수 있음을 검증하였다.