[논문 리뷰] Notes on Generalized Linear Models of Neurons

Jonathon Shlens|arXiv (Cornell University)|2014. 04. 08.

Neural Networks and Applications참고 문헌 6인용 수 5

한 줄 요약

이 논문은 자극 입력, 스파이크 이력, 네트워크 상호작용을 로그선형 조건부 강도 함수를 통해 연결함으로써 신경 세포의 스파이크 활동을 모델링하기 위한 일반화된 선형 모델(GLM) 프레임워크를 제시한다. 주요 기여는 수렴 가능한 최대우도추정 방법을 통해 수용 가능한 수준의 효율적인 수포, 반사성, 그리고 신경 데이터의 인구 수준 상관관계를 추정할 수 있도록 한 것이다.

ABSTRACT

Experimental neuroscience increasingly requires tractable models for analyzing and predicting the behavior of neurons and networks. The generalized linear model (GLM) is an increasingly popular statistical framework for analyzing neural data that is flexible, exhibits rich dynamic behavior and is computationally tractable (Paninski, 2004; Pillow et al., 2008; Truccolo et al., 2005). What follows is a brief summary of the primary equations governing the application of GLM's to spike trains with a few sentences linking this work to the larger statistical literature. Latter sections include extensions of a basic GLM to model spatio-temporal receptive fields as well as network activity in an arbitrary numbers of neurons.

연구 동기 및 목표

• 감각 자극과 네트워크 역학에 대한 신경 세포 스파이크 활동을 모델링하기 위한 실용적인 통계적 프레임워크를 제공하기 위해.
• 기본 포아송 모델을 자극 필터와 스파이크 이력 필터를 통한 시간적 의존성을 포함시켜 확장하기 위해.
• 교차 뉴런 후핵산 필터를 도입하여 뉴런 인구의 상관 활동을 모델링하기 위해.
• 기울기 기반 최적화를 사용하여 모델 파라미터의 효율적인 최대우도추정을 가능하게 하기 위해.
• 헤시안 행렬의 조건부 독립성 구조를 활용하여 다중 뉴런 인구의 병렬 피팅을 지원하기 위해.

제안 방법

• 조건부 강도 $\lambda_t$를 갖는 시간에 따라 변하는 비균일 포아송 과정을 사용하여 스파이크 트레인을 모델링한다.
• 조건부 강도를 $\lambda_t = \exp(\mathbf{k} \cdot \mathbf{x}_t + \mathbf{h} \cdot \mathbf{y}_t + \mu)$ 로 표현하며, 여기서 $\mathbf{k}$, $\mathbf{h}$, $\mu$ 는 자극, 이력, 바이어스 필터이다.
• 로그우도를 $\mathcal{L}(\theta) = \sum_{t:\text{spike}} \log \lambda_t - \Delta \sum_t \lambda_t + c$ 로 설정하며, $\theta = \{\mathbf{k}, \mathbf{h}, \mu\}$ 이다.
• 인구 모델로 확장하기 위해 뉴런 간 후스파이크 필터 $\mathbf{h}_{ij}$ 를 도입하여 $\lambda_i = \exp(\mathbf{k}_i \cdot \mathbf{x} + \sum_j \mathbf{h}_{ij} \cdot \mathbf{y}_j + \mu_i)$ 로 표현한다.
• 최적화를 위한 기울기와 헤시안 성분을 유도하며, 선형성으로 인해 뉴런 간 파라미터 간의 교차항이 0이 된다.
• 헤시안의 조건부 독립성 구조를 활용하여 각 뉴런의 파라미터를 독립적이고 병렬적으로 피팅할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 일반화된 선형 모델은 자극 이력, 스파이크 이력, 네트워크 활동과의 관계를 어떻게 모델링할 수 있는가?
• RQ2 링크 함수는 입력의 선형 조합을 타당한 조건부 강도로 변환하는 데 어떤 역할을 하는가?
• RQ3 조건부 독립성을 가정하지 않고도 GLM은 동기화와 같은 상관 활동을 어떻게 포착할 수 있는가?
• RQ4 신경 모델링에서 분석 가능한 로그우도를 갖는 최대우도추정의 계산적 이점은 무엇인가?
• RQ5 헤시안 행렬의 구조는 다중 뉴런 GLM 파라미터의 효율적이고 병렬적인 피팅을 어떻게 가능하게 하는가?

주요 결과

• GLM 프레임워크는 자극 필터, 스파이크 이력 필터, 로그선형 링크 함수를 조합하여 조건부로 타당한 강도 함수를 생성함으로써 신경 세포 스파이크 활동을 성공적으로 모델링한다.
• 로그우도는 해석적으로 분석 가능하며 기울기 기반 최적화에 적합하여 모델 파라미터의 효율적인 최대우도추정을 가능하게 한다.
• 교차 뉴런 후스파이크 필터 $\mathbf{h}_{ij}$ 를 통합함으로써 공통된 자극 자극 외부의 동기화된 작동과 같은 상관 활동을 포착할 수 있다.
• 헤시안 행렬은 서로 다른 뉴런의 파라미터 간에 교차항이 0이므로 각 뉴런의 파라미터를 독립적으로 병렬 피팅할 수 있다.
• 헤시안의 구조를 활용함으로써 인구 수준 추론의 복잡도를 감소시켜 계산 효율성을 달성한다.
• 이 프레임워크는 망막, 운동 피각, 시각 피각, 해마에서의 신경 활동을 성공적으로 모델링하여 체계 신경과학 분야에서 넓은 적용 가능성을 보였다.