神经回路中贝叶斯推断的快速采样

时间对于循环网络动力学至关重要，尤其是当它们具有随机性和相关性时：从这种动力学中进行推断的质量根本上取决于神经回路从其平稳分布生成新样本的速度。事实上，行为决策可以在快速时间尺度（约100毫秒）上发生，但尚不清楚什么样的神经回路动力学能够以如此高的速率进行采样。我们分析了一种基于速率的线性神经元网络动力学的随机形式，其突触权重矩阵为$W$，以及联合发放率的平稳分布的协方差对$W$的依赖性。该协方差$\Sigma$可以通过在线性-高斯潜变量模型下采样来主动用于表示后验不确定性。关键见解是$W$与$\Sigma$之间的映射是简并的：存在无穷多个$W$导致从相同的$\Sigma$采样，但采样速度差异很大。我们能够以参数形式明确分离这些额外的自由度，从而研究它们对采样速度的影响。我们表明，先前提出的神经回路概率采样方案对应于使用对称的$W$，这违反了Dale定律，并导致采样速度极慢，即使对于中等平稳相关性也是如此。相比之下，为速度优化网络动力学始终产生非对称的$W$和以快速瞬态为特征的动力学，使得网络活动的样本在约10毫秒内完全去相关。重要的是，具有分离兴奋/抑制群体的网络被证明是特别高效的采样器，并且处于平衡状态。因此，合理的神经回路动力学可以执行快速采样以实现高效解码和推断。