[論文レビュー] Bayesian Learning of Loglinear Models for Neural Connectivity

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

Neural Networks and Applications参考文献 23被引用数 5

ひとこと要約

本論文は、ログ線形モデルとマルコフ連鎖モンテカルロモデル構成法（MC3）を用いたベイズ枠組みを提案し、神経細胞の発火データから神経結合構造を推定するものであり、高次相互作用や刺激ごとの結合構造の変化を検出可能である。サルの視覚皮質データに適用した結果、注意状態の違いに応じて異なる相互作用構造が確認され、刺激依存的な神経ネットワーク再構成を検出できることが裏付けられた。

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.

研究の動機と目的

• 配置頻度データから神経結合を学習する統計的枠組みの構築を目的とする。
• 高次相互作用をモデル化することで、2次相互作用を超えた拡張を図る。
• 異なる実験的条件や刺激における神経相互作用構造の変化を検出する。
• 結合構造の事後確率を推定するベイズ的手法を提供する。
• 合成データおよびサルの視覚皮質からの実際の神経記録を用いて、手法の妥当性を検証する。

提案手法

• フレームワークは、神経細胞群の同時発火パターンを表現するログ線形モデルを採用し、ボルツマンマシンを高次相互作用を含む形に一般化する。
• 可能な結合構造の空間を探索・サンプリングするために、マルコフ連鎖モンテカルロモデル構成法（MC3）アルゴリズムが用いられる。
• ラプラスの方法を用いて各構造の周辺尤度を近似し、事後確率推定を可能にする。
• 事後モデル確率を計算することで、最も確率の高い結合構成を順位付け・選択する。
• 合成データの検証と、霊長類の視覚皮質からのマルチユニット記録の両方を処理する。
• 構造選択の不確実性を考慮するために、ベイズ的モデル平均化を用いたモデル比較が実施される。

実験結果

リサーチクエスチョン

• RQ1 スパイク活動の観察された配置頻度から、神経細胞間の高次相互作用を信頼性高く推定する方法は何か？
• RQ2 異なる注意状態が、神経結合構造の背後にある構造に与える影響は何か？
• RQ3 限られた神経データを用いて、ベイズ枠組みが競合する結合構造モデルを効果的に区別できるか？
• RQ4 現実的な神経データ制約下で、モデル選択および事後確率推定の性能はいかがなものか？
• RQ5 神経相互作用パターンの変化が、行動的または認知的状態の変化とどの程度相関するか？

主な発見

• ベイズ的ログ線形モデルは、サルの視覚皮質データにおいて、注意状態の違いに応じて異なる神経相互作用構造を成功裏に検出した。
• 注意状態の変化が神経結合パターンの再構成を伴うという研究者の仮説が、本手法によって裏付けられた。
• 高次相互作用は統計的に有意であり、2次モデルでは捉えきれない情報を提供した。
• MC3アルゴリズムは、可能な結合構造の空間を効率的に探索し、高い事後確率を持つモデルを同定した。
• ラプラス近似は、モデル比較に適した正確かつ計算的に実行可能な事後確率推定を提供した。
• 合成データの実験により、制御された条件下で既知の相互作用構造を回復できることが確認された。