[论文解读] 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 5

一句话总结

该论文提出了一种贝叶斯框架，结合对数线性模型与马尔可夫链蒙特卡洛模型组合（MC3）方法，从神经元放电数据中推断神经连接结构，能够检测高阶相互作用以及不同刺激下的连接变化。该方法应用于猕猴视觉皮层数据，证实了在不同注意力状态下存在不同的相互作用结构，验证了其检测与刺激相关的神经网络重构的能力。

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.

研究动机与目标

• 开发一种从配置频率数据中学习神经连接结构的统计框架。
• 通过建模高阶神经元相互作用，超越成对相互作用。
• 检测不同实验条件或刺激下神经相互作用结构的变化。
• 提供一种贝叶斯方法，用于估计连接结构的后验概率。
• 在合成数据和猕猴真实神经记录数据上验证该方法。

提出的方法

• 该框架采用对数线性模型表示神经元群的联合放电模式，将玻尔兹曼机推广至包含高阶相互作用。
• 使用马尔可夫链蒙特卡洛模型组合（MC3）算法，探索并从可能的连接结构空间中进行抽样。
• 采用拉普拉斯方法近似每种结构的边缘似然，从而实现后验概率估计。
• 通过计算后验模型概率，对连接配置进行排序并选择最可能的结构。
• 该方法可处理合成数据验证和灵长类视觉皮层的真实多单元记录数据。
• 通过贝叶斯模型平均进行模型比较，考虑结构选择中的不确定性。

实验结果

研究问题

• RQ1 如何从观察到的放电活动配置频率中可靠地推断神经元之间的高阶相互作用？
• RQ2 不同注意力状态对潜在神经连接结构有何影响？
• RQ3 贝叶斯框架能否在神经数据有限的条件下有效区分竞争性的连接模型？
• RQ4 在真实神经数据的约束下，模型选择与后验概率估计的表现如何？
• RQ5 神经相互作用模式的变化在多大程度上与行为或认知状态的变化相关？

主要发现

• 贝叶斯对数线性模型成功检测到猕猴视觉皮层数据中不同注意力状态下显著不同的神经相互作用结构。
• 该方法证实了研究人员的假设：注意力状态的变化对应于神经连接模式的重构。
• 高阶相互作用被发现具有统计显著性且信息丰富，超越了成对模型所能捕捉的内容。
• MC3算法高效探索了可能的连接结构空间，并识别出高后验概率的模型。
• 拉普拉斯近似方法为模型比较提供了准确且计算可行的后验概率估计。
• 合成数据实验验证了该方法在受控条件下恢复已知相互作用结构的能力。