[論文レビュー] Entropy-based parametric estimation of spike train statistics

Juan Carlos Díaz Vásquez, Cessac, B.+1 more|arXiv (Cornell University)|Mar 16, 2010

Neural dynamics and brain function参考文献 85被引用数 7

ひとこと要約

本稿は、熱力学的 formalism を用いて記述されるエントロピーに基づくパrametric推定法を提案し、最大エントロピーモデルを一般化することで、記憶効果を組み込む。自由エネルギー密度やKullback-Leibler発散の直接計算が可能であり、詳細つり合いの仮定や特定のGibbsポテンシャル形式の仮定なしに、大規模な偏差理論を用いて有限サイズのサンプリング効果を制御可能であり、統計的有意性の検定を用いたモデル比較が可能である。

ABSTRACT

We consider the evolution of a network of neurons, focusing on the asymptotic behavior of spikes dynamics instead of membrane potential dynamics. The spike response is not sought as a deterministic response in this context, but as a conditional probability : "Reading out the code" consists of inferring such a probability. This probability is computed from empirical raster plots, by using the framework of thermodynamic formalism in ergodic theory. This gives us a parametric statistical model where the probability has the form of a Gibbs distribution. In this respect, this approach generalizes the seminal and profound work of Schneidman and collaborators. A minimal presentation of the formalism is reviewed here, while a general algorithmic estimation method is proposed yielding fast convergent implementations. It is also made explicit how several spike observables (entropy, rate, synchronizations, correlations) are given in closed-form from the parametric estimation. This paradigm does not only allow us to estimate the spike statistics, given a design choice, but also to compare different models, thus answering comparative questions about the neural code such as : "are correlations (or time synchrony or a given set of spike patterns, ..) significant with respect to rate coding only ?" A numerical validation of the method is proposed and the perspectives regarding spike-train code analysis are also discussed.

研究の動機と目的

• 既存の最大エントロピーモデルの限界、特に記憶効果や有限サイズのサンプリングアーティファクトを捉えないことの問題を克服すること。
• 2次元Isingモデルを超えて高次および時間的相関を捉えることができる、熱力学的 formalism に基づく一般化されたフレームワークの構築。
• 詳細つり合いの仮定や特定のポテンシャル形式の仮定なしに、自由エネルギー密度やKullback-Leibler発散といった統計的パrameterを計算する、計算的に効率的な手法の開発。
• スペクトル的性質に基づく統計的有意性指標を用いて、競合する統計モデル（例：レートのみ vs. レートおよび相関モデル）の直接的比較を可能にすること。
• スライディングウィンドウ近似と断熱的仮定を用いて、非定常データへの最大エントロピーモデルの適用を拡張し、時間変動パrameterへの理論的拡張を同定すること。

提案手法

• エルゴディック理論からの熱力学的 formalism を用いて、スパイクトレイン統計を、力学系における配置としてモデル化する。
• Ruelle-Perron-Frölich (RPF) 演算子を用いてスペクトル的性質を計算し、エントロピー、自由エネルギー密度、平衡測度の閉形式推定を可能にする。
• 大規模な偏差理論を適用して、実験的神経データに内在する有限サイズのサンプリング効果を厳密に制御・定量する。
• パーティション関数の明示的計算を必要とせず、スペクトル的手法により、実測統計とモデル分布間のKullback-Leibler発散を計算する。
• 統計的パrameterがゆっくり変化すると仮定し、スライディングウィンドウアプローチを用いて非定常スパイクトレインを近似する。
• 2つのアルゴリズム実装を提供：密なスパイクパターンに最適化されたもの（ルックアップテーブルを用い）、疎なパターンに最適化されたもの（関連データ構造を用い）、高次パターンへのスケーラビリティを実現する。

実験結果

リサーチクエスチョン

• RQ1 最大エントロピーモデルの一般化は、2次相互作用を超える記憶効果および高次相関を神経スパイクトレインで捉えることができるか？
• RQ2 実験的神経データにおける有限サイズのサンプリング効果は、統計的モデリングにおいてどのように厳密に制御・定量できるか？
• RQ3 熱力学的 formalism は、競合するスパイクトレインデータの統計モデル間の直接的かつ効率的な比較をどの程度可能にするか？
• RQ4 ゆっくり変化する統計的パrameterを近似することで、非定常神経データにこの手法を適応可能か？
• RQ5 8〜10個のニューロンを超える大きなニューロン集団へのモデルの拡張における理論的および計算的限界は何か？

主な発見

• 特定のGibbsポテンシャル形式の仮定なしに、実測分布とモデル分布間の自由エネルギー密度およびKullback-Leibler発散の直接計算が可能である。
• スペクトル的手法により、エントロピー推定の間接的だが明示的な公式が得られ、他の統計的パrameter（例：観測量の平均）は、追加の計算コストなしにGibbs測度から直接導出可能である。
• モデル適合の統計的有意性は、スペクトル的性質に基づく絶対的検定により定量され、特定のスパイクパターンを捉えるか否かのモデルの明確な区別が可能である。
• 本手法は、単純なモデル（例：レートのみ、または2次元モデル）とは異なる顕著なスパイクパターンを効果的に検出でき、モデル選択の定量的根拠を提供する。
• 非定常データに対するスライディングウィンドウ近似でも本手法は有効であるため、理論的定常性仮定に反する生物学的記録に対しても実用的応用が可能であると示唆される。
• 密なデータと疎なデータに最適化された2つの実装により、16〜20個のニューロンまでの高次パターンへのスケーラビリティが示されたが、より大きな集団への理論的複雑性は依然として障壁である。