基于集成刺激的神经连接在线估计
机器学习
2020-12-08 v2 神经元与认知
机器学习
摘要
系统神经科学的主要目标之一是将神经回路的结构与其功能联系起来，然而在记录行为生物体中大群体神经元时，连接模式难以确立。许多先前的方法试图利用观测数据的统计建模来估计神经元间的功能连接，但这些方法严重依赖参数假设且纯属相关性分析。然而近来，全息光刺激技术已能精确靶向选定的神经元集合，提供了建立直接因果联系的可能。在此我们提出一种基于含噪群体测试的方法，在稀疏网络中极大提升该过程的效率。通过刺激小型神经元集合，我们表明在极小统计假设下，仅需随群体规模对数增长的测试次数即可恢复二值化网络连通性。此外，我们证明该方法可归约为高效可解的凸优化问题，并与二值连接权重上的变分贝叶斯(Variational Bayesian)推断相关联，且推导了后验边缘的严格界。这使我们能将方法扩展至流式设置，其中持续更新的后验支持可选停止，并展示了在线推断多达数万神经元网络连通性的可行性。最后，我们展示了本工作与压缩感知方法的理论联系，并比较了不同设置下连通性推断的结果。
引用
@article{arxiv.2007.13911,
title = {Online neural connectivity estimation with ensemble stimulation},
author = {Anne Draelos and Eva A. Naumann and John M. Pearson},
journal= {arXiv preprint arXiv:2007.13911},
year = {2020}
}
备注
Revised and expanded version of the work that appeared in NeurIPS 2020