神经激活时间序列的网络推断技术综述

研究神经连接被认为是现代神经科学中最有前景且最具挑战性的领域之一。认知的基础隐藏在神经元彼此交互的方式之中。然而，我们在微观层面研究真实神经连接的实验方法仍然艰巨且昂贵。一个高效的替代方案是基于神经元激活、利用计算方法推断连接。一种可靠的网络推断方法，不仅能促进无需繁重实验的神经网络研究，还能揭示大脑底层机制的洞见。本工作中，我们综述了给定神经群体激活时间序列的神经网络推断方法。从机器学习视角出发，我们将方法划分为无监督与有监督学习。这些方法基于相关性度量、概率点过程与神经网络。此外，我们加入了一种受社交网络影响估计启发的数据挖掘方法，作为一种新的有监督学习途径。为比较，我们使用了 Chalearn Connectomics 竞赛的小规模版本，其附带神经元间真实连接作为基准。实验表明无监督学习方法表现更优，但在数据与资源充足时有监督方法可超越它们。