视网膜中的信号处理：预测神经节细胞反应的可解释图分类器

神经科学中的一个流行假说认为，视网膜中的神经节细胞通过选择性地检测观察场景中的视觉特征而被激活。虽然神经节细胞的放电可以通过数据训练的深度神经网络来预测，但这些网络仍然难以解读，因此对细胞底层运作的理解甚少。为了从细胞放电中提取知识，本文从数据中学习一个可解释的基于图的分类器，以预测神经节细胞对视觉刺激的反应。具体来说，我们学习一个半正定度量矩阵 $\mathbf{M} \succeq 0$，该矩阵定义了图节点（视觉事件）之间的马氏距离，这些节点被赋予了预先计算的特征向量；计算出的节点间距离导致边权重和一个适用于二分类的组合图。在数学上，我们使用大间隔最近邻的图自适应来定义度量矩阵 $\mathbf{M}$ 优化的目标，并将其重写为一个半定规划问题。我们通过一种称为Gershgorin圆盘完美对齐线性化的快速近似方法高效求解。学习到的度量矩阵 $\mathbf{M}$ 提供了可解释性：重要特征沿 $\mathbf{M}$ 的对角线被识别，它们的相互关系从非对角线项推断。我们的快速度量学习框架可应用于其他具有预选特征且需要解释的生物系统。