[论文解读] Online Neural Connectivity Estimation with Noisy Group Testing

Anne Draelos, John Pearson|arXiv (Cornell University)|Jan 1, 2020

SARS-CoV-2 detection and testing被引用 4

一句话总结

本文提出一种噪声群组检测框架，通过全息光刺激高效推断大规模稀疏网络中的二值神经连接。通过刺激神经元群而非单个神经元，该方法将所需测试次数减少至与群体规模对数相关的量级，并将连接估计问题建模为等价于变分贝叶斯推断的凸优化问题，从而实现对数万个神经元规模网络的实时、流式连接推断。

ABSTRACT

One of the primary goals of systems neuroscience is to relate the structure of neural circuits to their function, yet patterns of connectivity are difficult to establish when recording from large populations in behaving organisms. Many previous approaches have attempted to estimate functional connectivity between neurons using statistical modeling of observational data, but these approaches rely heavily on parametric assumptions and are purely correlational. Recently, however, holographic photostimulation techniques have made it possible to precisely target selected ensembles of neurons, offering the possibility of establishing direct causal links. A naive method for inferring functional connections is to stimulate each individual neuron multiple times and observe the responses of cells in the local network, but this approach scales poorly with the number of neurons. Here, we propose a method based on noisy group testing that drastically increases the efficiency of this process in sparse networks. By stimulating small ensembles of neurons, we show that it is possible to recover binarized network connectivity with a number of tests that grows only logarithmically with population size under minimal statistical assumptions. Moreover, we prove that our approach, which reduces to an efficiently solvable convex optimization problem, is equivalent to Variational Bayesian inference on the binary connection weights, and we derive rigorous bounds on the posterior marginals. This allows us to extend our method to the streaming setting, where continuously updated posteriors allow for optional stopping, and we demonstrate the feasibility of inferring connectivity for networks of up to tens of thousands of neurons online.

研究动机与目标

• 解决在行为过程中推断大规模神经元群体功能连接的挑战，其中传统方法受限于可扩展性及对参数假设的依赖。
• 通过利用群组检测减少单个神经元刺激的低效性，降低所需刺激次数。
• 开发一种在最小统计假设下运行的方法，同时通过有针对性的光刺激实现因果推断。
• 通过推导随时间演化的后验边际分布，实现实时、流式连接推断并支持可选停止。
• 通过计算高效的凸优化公式，将连接推断扩展至数万个神经元的网络规模。

提出的方法

• 将神经连接推断建模为噪声群组检测问题，其中对神经元群组进行刺激，并利用响应模式推断二值突触连接。
• 将连接权重建模为隐式二值变量，并使用变分贝叶斯推断近似这些权重的后验分布。
• 将推断问题简化为可通过标准数值方法高效求解的凸优化问题。
• 推导连接权重后验边际的严格解析边界，支持在线设置中的置信度量化与可选停止。
• 将该方法集成至流式框架中，使新的刺激-响应数据持续更新后验分布，从而实现实时连接推断。
• 利用神经网络的稀疏性，确保所需测试次数随群体规模呈对数增长，而非线性增长。

实验结果

研究问题

• RQ1 群组检测原理能否应用于神经连接推断，以在大规模神经回路中大幅减少所需刺激次数？
• RQ2 如何设计一种方法，在保持计算效率的同时，以最少的统计假设推断二值连接？
• RQ3 变分贝叶斯推断在多大程度上可用于推导神经网络中连接权重的解析可处理后验分布？
• RQ4 该方法能否支持基于连接估计置信度的实时、流式推断及可选停止？
• RQ5 该方法在群体规模方面的可扩展性如何？能否处理数万个神经元的网络？

主要发现

• 所提方法使所需刺激次数随网络规模呈对数增长，实现了大规模神经元群体中可扩展的连接推断。
• 该方法等价于对二值连接权重进行变分贝叶斯推断，为连接推断提供了原则性的概率框架。
• 推导出后验边际的严格解析边界，支持置信度量化，并在在线设置中支持可选停止。
• 推断问题被简化为凸优化问题，确保计算效率与数值稳定性。
• 该方法在高达数万个神经元的网络中，被证明适用于在线连接推断。
• 该方法通过有针对性的光刺激实现直接因果推断，克服了先前统计方法仅基于相关性的局限。