[논문 리뷰] Rescaling, thinning or complementing? On goodness-of-fit procedures for point process models and Generalized Linear Models

Felipe Gerhard, Wulfram Gerstner|arXiv (Cornell University)|2010. 11. 18.

Neural dynamics and brain function참고 문헌 25인용 수 8

한 줄 요약

이 논문은 시점과정 이론의 적합도 검정을 일반선형모형(GLM)의 신경 스파이크 트레인에 적용하기 위한 프레임워크를 제안한다. 특히 시간-재스케일링 정리의 가정을 위반하는 이산화된 데이터에 대해서도 적용 가능하다. 관측된 이산 데이터로부터 서로서티브 시점과정을 구성하고, 희박화 및 보완 절차를 도입함으로써, 저자들은 기존의 재스케일링 방법보다 더 높은 민감도로 모형의 이탈을 탐지할 수 있음을 보여준다. 이는 고주기 또는 굵은 바이닝 데이터에서 특히 두드러진다.

ABSTRACT

Generalized Linear Models (GLMs) are an increasingly popular framework for modeling neural spike trains. They have been linked to the theory of stochastic point processes and researchers have used this relation to assess goodness-of-fit using methods from point-process theory, e.g. the time-rescaling theorem. However, high neural firing rates or coarse discretization lead to a breakdown of the assumptions necessary for this connection. Here, we show how goodness-of-fit tests from point-process theory can still be applied to GLMs by constructing equivalent surrogate point processes out of time-series observations. Furthermore, two additional tests based on thinning and complementing point processes are introduced. They augment the instruments available for checking model adequacy of point processes as well as discretized models.

연구 동기 및 목표

• 고주기 또는 굵은 바이닝으로 인해 시간-재스케일링 정리의 가정이 성립하지 않을 때 발생하는 이산 시간 신경 모형의 문제를 해결하기 위해.
• 낮은 스파이크 발생 확률 가정을 위반하는 이산 GLM(Poisson 및 Bernoulli-GLM)에 대해 시점과정의 적합도 검정을 신뢰성 있게 적용할 수 있는 방법을 개발하기 위해.
• 시점과정의 연산 기반으로 새로운 두 가지 적합도 절차—희박화 및 보완—을 제안하기 위해.
• 이러한 새로운 검정이 시간-재스케일링보다 더 높은 민감도를 보이며, 특히 작은 이탈을 탐지하는 데서 유의미한 성능 향상을 보임을 입증하기 위해.

제안 방법

• 관측된 이산 시간 관측치(예: 스파이크 수 또는 이진 사건)로부터 서로서티브 시점과정을 구성하여 시간-재스케일링에 필요한 조건을 복원한다.
• 서로서티브 과정에 시간-재스케일링 정리를 적용함으로써, 원래의 이산 모형이 낮은 스파이크 발생 확률 가정을 위반하더라도 유효한 통계적 추론이 가능하도록 보장한다.
• 희박화 기반 검정 도입: 관측된 스파이크 트레인에서 스파이크 발생 시점의 조건부 강도를 사용해 무작위로 희박화하여 균일한 포아송 과정을 생성한다.
• 보완 기반 검정 개발: 상한 상수 C에 대해 강도 함수를 보완 과정 $ C - \lambda(t) $ 를 사용해 채우며, 이로써 균일한 포아송 과정을 형성한다.
• 희박화 절차에서 낮은 하한 한계 문제를 극복하기 위해 강도 함수의 임계값을 초과하는 영역을 사용한다.
• 모든 세 가지 검정—서로서티브 과정에 대한 시간-재스케일링, 희박화, 보완—을 적용하여 다양한 신경 모형(예: 비균일 포아송, 스파이크 반응 모델)에서 모형 적합도를 평가한다.

실험 결과

연구 질문

• RQ1 시간-재스케일링 정리의 가정이 위반될 경우, 시점과정 이론의 적합도 검정을 이산 GLM에 신뢰성 있게 적용할 수 있는가?
• RQ2 어떻게 하면 이산 시간 신경 데이터로부터 유효한 통계적 검정을 가능하게 하는 서로서티브 시점과정을 구성할 수 있는가?
• RQ3 희박화 및 보완 절차는 시간-재스케일링에 비해 신경 스파이크 트레인 모형의 모형 오류 탐지에 더 높은 민감도를 제공하는가?
• RQ4 세 가지 검정—시간-재스케일링, 희박화, 보완—은 진정한 강도 함수에서의 작은 이탈을 탐지하는 데 어떻게 비교되는가?

주요 결과

• 서로서티브 과정에 적용한 시간-재스케일링 검정은 이산 데이터에 직접 적용하는 나이브한 시간-재스케일링보다 유의미하게 뛰어난 성능을 보이며, 특히 한 바이닝당 스파이크 발생 확률이 낮지 않을 경우 두드러진다.
• 희박화 및 보완 검정은 시간-재스케일링이 탐지할 수 있는 크기의 절반 이하의 모형 이탈도 탐지할 수 있어, 더 높은 민감도를 보인다.
• 비균일 포아송 과정과 스파이크 반응 모델의 경우, 희박화 및 보완 검정은 시간-재스케일링보다 검정의 검정력이 뛰어나며, 특히 중간 정도의 저자화 강도에서 두드러진다.
• 희박화 검정은 강도가 임계값을 초과하는 영역에 적용했을 때 가장 효과적이며, 낮은 하한 한계 문제를 해결한다.
• 보완 검정은 스파이크 위치에 관계없이 강도 함수의 전체 형태에 민감하므로, 재스케일링 및 희박화와 상호보완적인 성질을 가진다.
• 재생 과정의 경우, 시간-재스케일링이 약간 더 효과적이다. 이는 시간-재스케일링이 간격 분포에 민감하기 때문이며, 예상되는 결과이다.