[논문 리뷰] Non-separable covariance models for spatio-temporal data, with applications to neural encoding analysis

Seyoung Park, Kerby Shedden외 1명|arXiv (Cornell University)|2017. 05. 15.

Neural Networks and Applications참고 문헌 24인용 수 3

한 줄 요약

이 논문은 시공간적 행동 데이터를 시도별로 독립적이고 시간에 따라 의존적인 구성요소로 분해할 수 있는 비분리 크로네커 합 공분산 모델을 제안한다. 이는 향상된 신경 인코딩 분석을 가능하게 한다. 정규성 조건 하에서 수정된 라소와 노드와이즈 회귀를 적용함으로써 정밀도 행렬의 일致한 추정이 이루어지며, 박쥐나비 비행에서의 신경적 영향력은 주로 시간에 따라 의존적인 잠재 성분에 국한되어 있음을 밝혀내었다. 이는 시도별 변동성에 의해 부분적으로 가림을 입는다.

ABSTRACT

Neural encoding studies explore the relationships between measurements of neural activity and measurements of a behavior that is viewed as a response to that activity. The coupling between neural and behavioral measurements is typically imperfect and difficult to measure.To enhance our ability to understand neural encoding relationships, we propose that a behavioral measurement may be decomposable as a sum of two latent components, such that the direct neural influence and prediction is primarily localized to the component which encodes temporal dependence. For this purpose, we propose to use a non-separable Kronecker sum covariance model to characterize the behavioral data as the sum of terms with exclusively trial-wise, and exclusively temporal dependencies. We then utilize a corrected form of Lasso regression in combination with the nodewise regression approach for estimating the conditional independence relationships between and among variables for each component of the behavioral data, where normality is necessarily assumed. We provide the rate of convergence for estimating the precision matrices associated with the temporal as well as spatial components in the Kronecker sum model. We illustrate our methods and theory using simulated data, and data from a neural encoding study of hawkmoth flight; we demonstrate that the neural encoding signal for hawkmoth wing strokes is primarily localized to a latent component with temporal dependence, which is partially obscured by a second component with trial-wise dependencies.

연구 동기 및 목표

• 측정 오차와 복잡한 의존성에 영향을 받는 고주파수, 고차원 행동 데이터에서 신경 인코딩 신호를 식별하는 데 도전하는 데 목적을 두며.
• 시공간 행동 데이터를 시도별로 의존적이고 시간에 따라 의존적인 구성요소를 가진 합으로 모델링하며, 비분리 공분산 프레임워크를 사용한다.
• 정규성 조건을 가정하여 오차가 있는 변수가 포함된 상황에서 조건부 독립 구조를 추정하기 위한 수정된 라소 및 노드와이즈 회귀 방법을 개발한다.
• 시간적 및 공간적 구성요소에 대해 크로네커 합 모델에서 정밀도 행렬 추정의 이론적 수렴 속도를 확립한다.
• 시뮬레이션과 나비 비행 실험에서의 실제 신경 인코딩 데이터를 통해 방법의 유용성을 입증한다.

제안 방법

• 행동 데이터는 두 개의 잠재 성분의 합으로 모델링되며, 하나는 시간에 따라 의존적인 성분(신경 활동과 관련)이고, 다른 하나는 시도별로 의존적인 성분(잡음 유사)이다.
• 비분리 크로네커 합 공분산 모델을 사용하여 관측된 데이터의 전체 공분산 구조를 표현하며, $ \mathrm{Cov}(\mathrm{vec}(X)) = A \oplus B = A \otimes I_n + I_m \otimes B $ 로 기술된다.
• 측정 오차가 설계 행렬에 포함된 상황에서 신경 스파이크 간격 차이와 행동 성분 간의 회귀 계수를 추정하기 위해 수정된 라소 회귀를 적용한다.
• 정규성 가정 하에서 노드와이즈 회귀를 사용하여 시간적 및 공간적 성분의 정밀도 행렬을 추정함으로써 조건부 독립 구조 학습이 가능하다.
• 이론적 분석을 통해 두 성분의 정밀도 행렬 추정에 대한 수렴 속도를 확립하며, 하위가우시안 농도 부등식을 이용해 경계를 유도한다.
• 시뮬레이션을 통한 검증과 실제 나비의 신경 인코딩 데이터에 대한 적용을 통해 방법을 검증한다. 이는 시간에 따라 의존적인 성분에서 신경 신호를 효과적으로 분리한다.

실험 결과

연구 질문

• RQ1 비분리 크로네커 합 공분산 모델이 시공간 행동 데이터를 서로 다른 의존성 구조를 가진 성분들로 효과적으로 분해할 수 있는가?
• RQ2 나비의 날개 움직임 역학에 대한 신경 인코딩 신호가 시도별 변동성보다 주로 시간에 따라 의존적인 잠재 성분에 존재하는가?
• RQ3 고차원 시공간 데이터에서 설계 변수의 측정 오차가 존재하는 상황에서 수정된 라소 및 노드와이즈 회귀가 진짜 조건부 독립 구조를 얼마나 잘 복원할 수 있는가?
• RQ4 하위가우시안 노이즈 가정 하에 크로네커 합 모델에서 정밀도 행렬 추정의 이론적 수렴 속도는 무엇인가?
• RQ5 제안된 방법이 신경-행동 관계의 분산을 설명하는 데 있어 표준 라소 및 리지 회귀보다 뛰어나게 성능을 발휘할 수 있는가?

주요 결과

• 나비 날개 움직임에 대한 신경 인코딩 신호는 주로 시간에 따라 의존적인 잠재 성분에 집중되어 있으며, 이는 시도별 의존성 구조를 가진 두 번째 성분에 의해 부분적으로 가려져 있다.
• 수정된 EIV 회귀 모델은 표준 라소 및 리지 회귀보다 더 높은 최대 R* 값을 달성하여 신경-행동 관계의 분산을 더 잘 설명함을 시사한다.
• 이론적 분석은 크로네커 합 모델에서 시간적 및 공간적 성분의 정밀도 행렬이 표본 크기와 차원 수에 따라 수렴 속도를 가지며, 하위가우시안 농도 부등식을 통해 유도된 경계를 가짐을 확인한다.
• 노드와이즈 회귀를 통한 그래픽 구조 추정은 시간적 및 공간적 성분에서 의미 있는 조건부 독립 패턴을 드러내며, 최적의 조정 파rameter 하에서 두 나비(J 및 L)에 대해 희박한 그래프가 관찰된다.
• 표본 공분산 행렬의 히트맵은 500개 이내의 시간 간격에서 강한 시간적 의존성을 보이며, 날개 움직임 간에 유의미한 상관관계가 있음을 보여, 체계적인 시공간 모델링의 필요성을 뒷받침한다.
• 시뮬레이션과 실제 데이터 분석을 통해 시간에 따라 의존적인 성분에서 기저의 신경적 영향력이 조건부로 가려져 있더라도 성공적으로 복원되었음을 확인하였다.