[论文解读] Non-parametric estimation of the spiking rate in systems of interacting neurons

Pierre Hodara, Nathalie Krell+1 more|arXiv (Cornell University)|Apr 25, 2016

Neural dynamics and brain function参考文献 31被引用 12

一句话总结

本文提出了一种非参数的Nadaraya-Watson核估计器，用于在将相互作用神经元系统建模为分段确定性马尔可夫过程（PDMP）的框架下估计放电率函数。该研究建立了霍尔德光滑放电率下的最优 $ L^2 $ 收敛速率 $ t^{-rac{2eta}{1+2eta}} $，并证明了估计误差的中心极限定理，其理论基础为单个神经元过程的统一遍历性和不变测度分析。

ABSTRACT

We consider a model of interacting neurons where the membrane potentials of the neurons are described by a multidimensional piecewise deterministic Markov process (PDMP) with values in ${\\mathbb R}^N, $ where $ N$ is the number of neurons in the network. A deterministic drift attracts each neuron's membrane potential to an equilibrium potential $m.$ When a neuron jumps, its membrane potential is reset to $0,$ while the other neurons receive an additional amount of potential $\\frac{1}{N}.$ We are interested in the estimation of the jump (or spiking) rate of a single neuron based on an observation of the membrane potentials of the $N$ neurons up to time $t.$ We study a Nadaraya-Watson type kernel estimator for the jump rate and establish its rate of convergence in $L^2 .$ This rate of convergence is shown to be optimal for a given H\\"older class of jump rate functions. We also obtain a central limit theorem for the error of estimation. The main probabilistic tools are the uniform ergodicity of the process and a fine study of the invariant measure of a single neuron.

研究动机与目标

• 估计网络中单个神经元的非参数放电率函数。
• 在霍尔德光滑性假设下，推导基于核估计的放电率估计的最优收敛速率。
• 在基于PDMP的神经网络模型背景下，建立估计误差的中心极限定理。
• 通过与密度估计和非线性回归等基准非参数模型的关联，分析该模型的统计复杂性。
• 利用莱卡姆方法和似然比技术，通过极小化最大风险下界验证所提估计器的最优性。

提出的方法

• 利用邻域 $ B_h(a) $ 内的放电次数和神经元膜电位在该区域的占用时间，构建一种Nadaraya-Watson型核估计器。
• 估计器定义为 $ \hat{f}_t(a) = \frac{\sharp \text{spikes in } B_h(a)}{\text{occupation time of } B_h(a)} $，带宽 $ h_t $ 选择以平衡偏差与方差。
• 分析依赖于全 $ N $ 维PDMP的统一遍历性以及在真实率 $ f_0 $ 下单个神经元的不变测度。
• 关键技术工具是利用似然比 $ L_t^{f_t/f_0} $，通过莱卡姆方法推导极小化最大风险下界，并在似然比的角括号中使用Kullback-Leibler散度。
• 中心极限定理与收敛速率的证明依赖于计数过程的鞅结构及补偿器 $ \hat{\mu}^{f_0} $，并通过PDMP的谱间隙与混合性质推导出界。
• 带宽 $ h_t $ 选择为 $ t^{-1/(2\beta+1)} $，从而在 $ L^2 $ 风险下实现最优速率 $ t^{-2\beta/(1+2\beta)} $。

实验结果

研究问题

• RQ1 在将相互作用神经元系统建模为PDMP的框架下，非参数估计放电率的最优收敛速率是什么？
• RQ2 在放电率函数满足霍尔德光滑性假设的条件下，Nadaraya-Watson核估计器能否达到该最优速率？
• RQ3 在给定模型假设下，估计误差是否满足中心极限定理？
• RQ4 该神经网络模型的统计复杂性与经典非参数模型（如密度估计或回归）相比如何？
• RQ5 估计风险的极小化最大下界是什么？所提估计器是否达到最优收敛速率？

主要发现

• 所提出的Nadaraya-Watson核估计器在霍尔德类阶为 $ \beta $ 的放电率函数下，实现了最优的 $ L^2 $ 收敛速率 $ t^{-\frac{2\beta}{1+2\beta}} $。
• 建立了估计误差的中心极限定理，表明估计器在真实率函数附近的渐近正态性。
• 利用莱卡姆方法和似然比推导出估计风险的极小化最大下界，确认了收敛速率的最优性。
• 下界证明依赖于PDMP的统一遍历性以及单个神经元不变密度的有界性。
• 证明了带宽 $ h_t = t^{-1/(2\beta+1)} $ 为最优选择，实现了核估计器中偏差与方差的平衡。
• 证明了似然比 $ L_t^{f_t/f_0} $ 满足 $ \mathbb{E}_0[|\log L_t^{f_t/f_0}|] < \infty $ 对所有 $ t $ 一致成立，这对证明极小化最大下界至关重要。