从部分测量中恢复稀疏神经连接：基于协方差的方法结合格兰杰因果精炼
定量方法
2026-03-20 v1 神经与进化计算
摘要
从不完整观测中推断神经回路连接是神经科学的基本挑战。我们提出一种基于协方差的方法，用于从跨多个记录会话的稀疏、部分测量中估计递归神经网络的权重矩阵。通过在不同神经元子集被观测到的会话间累积成对协方差估计，我们在无需同时记录所有神经元的情况下重建完整连接矩阵。一个格兰杰因果精炼步骤通过投影梯度下降施加生物学约束。通过对模拟小脑回路的合成网络进行系统实验，我们刻画了一个基本的控制-估计权衡：刺激有助于可识别性但扰动内在动力学，最优水平取决于测量密度。我们发现「错误」的线性近似充当隐式正则化——在所有工作模式下均优于已知非线性的神谕估计器——并通过 Stein-Price 恒等式给出了精确刻画。
引用
@article{arxiv.2603.18497,
title = {Recovering Sparse Neural Connectivity from Partial Measurements: A Covariance-Based Approach with Granger-Causality Refinement},
author = {Quilee Simeon},
journal= {arXiv preprint arXiv:2603.18497},
year = {2026}
}