離散データに対するヤコビアン・グレンジャー因果性とその因果的ネットワーク推論への応用

科学分野:

• 神経科学; 計算神経科学; 機械学習

背景:

• グレンジャー因果性はニューラルネットワーク推論に不可欠である。現在のグレンジャー因果性に対する人工ニューラルネットワーク定式化は、連続データでは優れているが、離散的でスパースなニューラルデータでは苦労する。既存の手法をカウントおよびバイナリニューラル活動に適用するには限界がある。

研究 の 目的:

• ヤコビアン・グレンジャー因果性を離散ニューラルデータ型（カウントおよびバイナリ）に適合させる。スパースな離散ニューラルシステムに対する連続データ最適化定式化の限界に対処する。拡張された手法の性能を既存のアプローチと比較評価する。

主な方法:

• カウントおよびバイナリデータ用の特殊な損失関数を用いた拡張ヤコビアン・グレンジャー因果性。新しいアプローチと競合する手法を比較するためにシミュレートされたデータセットを使用した。サル視覚野からの実際のニューラルスパイクデータに拡張グレンジャー因果性法を適用した。

主要な成果:

• 適合されたヤコビアン・グレンジャー因果性法は、離散ニューラルデータで有効性を示す。シミュレーションは、競合アプローチに対する手法の性能を確認した。サル視覚野のデータの分析は、自然な映画刺激下での構造化されたニューラル活動を明らかにし、ニューロンにおける増加した正の自己結合を含む。

結論:

• 拡張ヤコビアン・グレンジャー因果性は、離散的でスパースなニューラルデータからニューラルネットワークを推論するための堅牢なフレームワークを提供する。自然な映画刺激は、ホワイトノイズと比較して、より構造化されたニューラル活動を誘発する。ニューロンにおける正の自己結合は、おそらく顕著な視覚情報をエンコードしており、自然な視覚処理中に、より一般的である。