[论文解读] Branching into the Unknown: Inferring collective dynamical states from subsampled systems

Jens Wilting, Viola Priesemann|arXiv (Cornell University)|Aug 25, 2016

Neural dynamics and brain function被引用 5

一句话总结

本文提出了一种子采样不变估计器，可在复杂系统存在不完全空间采样时，准确推断集体动力学状态。该方法应用于非线性网络和疾病暴发，揭示了神经系统中异步-不规则态与临界态之间存在一个狭窄的动力学子空间，调和了相互矛盾的假说，并实现了对抗生素耐药病原体等系统不稳定性状态的早期预警。

ABSTRACT

When studying the dynamics of complex systems, one can rarely sample the state of all components. We show that this spatial subsampling typically leads to severe underestimation of the risk of instability in systems with propagation of events. We analytically derived a subsampling-invariant estimator and applied it to non-linear network simulations and case reports of various diseases, recovering a close relation between vaccination rate and spreading behavior. The estimator can be particularly useful in countries with unreliable case reports, and promises early warning if e.g. antibiotic resistant bacteria increase their infectiousness. In neuroscience, subsampling has led to contradictory hypotheses about the collective spiking dynamics: asynchronous-irregular or critical. With the novel estimator, we demonstrated for rat, cat and monkey that collective dynamics lives in a narrow subspace between the two. Functionally, this subspace can combine the different computational properties associated with the two states.

研究动机与目标

• 解决由于复杂系统中空间子采样导致的不稳定性风险严重低估问题。
• 开发一种方法，实现从不完整观测中准确推断集体动力学状态。
• 调和关于神经网络动力学的相互矛盾假说——特别是异步-不规则态与临界态之间的争议。
• 为具有不可靠数据的系统（如疾病监测或抗生素耐药性监测）提供稳健的早期预警工具。
• 证明神经系统中存在一个狭窄的动力学子空间，该空间结合了异步-不规则态和临界态的计算优势。

提出的方法

• 推导出一种解析的子采样不变估计器，以校正因系统采样不完整而引入的偏差。
• 将该估计器应用于非线性网络模拟，以在不同子采样水平下验证其准确性。
• 利用真实世界传染病病例报告验证该估计器，将疫苗接种率与传播行为关联起来。
• 使用该估计器重新分析大鼠、猫和猴子大脑的神经动作电位数据，以评估集体动力学。
• 识别出介于异步-不规则态与临界态之间的集体动力学狭窄子空间。
• 采用统计与动力系统分析方法，表征推断子空间的功能特性。

实验结果

研究问题

• RQ1 空间子采样在事件传播系统中如何导致不稳定性风险估计的偏差？
• RQ2 能否推导出一种子采样不变估计器，以从部分观测中恢复真实的集体动力学？
• RQ3 在考虑子采样偏差时，神经系统实际处于何种动力学状态？
• RQ4 推断出的动力学子空间的计算特性与异步-不规则态和临界态相比如何？
• RQ5 该方法能否作为新兴威胁（如耐药细菌传染性增强）的早期预警系统？

主要发现

• 子采样不变估计器成功恢复了疾病模型中的真实传播行为，显示出疫苗接种率与传播动力学之间密切的关系。
• 大鼠、猫和猴子大脑中的神经系统的集体动力学被限制在异步-不规则态与临界态之间的狭窄子空间内。
• 该子空间结合了两种极端状态的有益计算特性，如鲁棒性和信息处理效率。
• 该方法解决了神经科学中长期存在的争议：皮层网络究竟运行在异步-不规则态还是临界态。
• 即使在病例报告不可靠或不完整（如资源有限的公共卫生环境）的系统中，该估计器也能实现可靠推断。
• 该方法为早期检测系统行为的危险转变（如耐药病原体传播能力增强）提供了可行路径。