【阅读笔记】Inferring network connectivity from event timing patterns

Inferring network connectivity from event timing patterns

Jose C , Dimitra M , Marc T . Inferring Network Connectivity from Event Timing Patterns[J]. Physical Review Letters, 2018, 121(5):054101-.

这篇文章提出了一个从 spike neural network 的 spike 序列来 reconstruct 网络连接的方法。
考虑一个含有$N$各节点的网络，$i$节点的第$m$个 spike 发生在$t_{i,m}$，定义 inter-spike interval (ISI)为
$$\Delta T_{i,m}=t_{i,m}-t_{i,m-1}$$

定义 cross-spike intervals (CSIs)为
$$w_{j,k,m}^i=t_{j,p}-t_{i,m-1}$$

表示在$i$节点的第$m$个 spike 间隔内$j$节点发生的第$k$次 sipke 距离间隔起始时间的间隔。现在假设给定的序列内$k$的最大值为$K_i$，核心的想法是 ISI 和 CSI 满足
$$\Delta T_{i,m}=h_i({\Lambda }^i{W}_m^i)$$

其中${\Lambda }^i$类似于链接矩阵，不过有所不同，它是一个$N\times N$的对角矩阵，若$j$对$i$有作用，对角元素${\Lambda }_{jj}^i=1$，否则为0。$W_m^i=[w_{j,k,m}^i]$是个$N\times K_i$的矩阵，其中第$k$列为
$$w_{k,m}^i=[w_{1,k,m}^i,w_{2,k,m}^i,\dots ,w_{N,k,m}^i{]}^T$$

定义空间向量$e_{i,m}=[vec(W_m^i),\Delta T_{i,m}{]}^T$，取空间向量取空间向量的中心点$e_{i,r}$作为线性化的中心，近似可得
$$\Delta T_{i,m}=\Delta T_{i,r}+tr((\frac{\partial h_i}{\partial W^i}{\Lambda }^i[W_m^i-W_m^i])$$

也就是说
$$\Delta T_{i,m}=\Delta T_{i,r}+\sum _{k=1}^{K_i}\nabla h_{i,k}{\Lambda }^i(w_{k,m}^i-w_{k,r}^i)$$

其中$\nabla h_{i,k}=[\frac{\partial h_i}{\partial W_{1k}^i},\frac{\partial h_i}{\partial W_{2k}^i},\dots ,\frac{\partial h_i}{\partial W_{Nk}^i}]$，用线性回归求解系数$\nabla h_{i,k}$。将$\frac{\partial h_i}{\partial W_{j1}^i}$的大小作为判断连接的依据。
下面是一些仿真结果
由于是线性化，所以选取空间向量中心附近的点做回归效果较好，无论是 spike 序列较为规律还是不规则的，而随机选择效果在不规则的 spike 上较差。

ESL 表示本文的重构方法，M表示数据量，图 a 展示用不同方法重构一个100个节点的 LIF neurons 神经网络的效果，图 b 展示用不同方法重构一个100个节点的 HH neurons 神经网络的效果，图 c 展示重构一个100个节点的 LIF neurons 神经网络但是只有 80 个节点可以观测的效果，图 b 展示在可观测节点不同比例下的重构效果。

不但可以重构出是否有链接，还可以确定是兴奋性连接还是抑制性连接

读后感：
把线性化用在了 snn 网络的重构，让我深刻地感到方向比努力更重要。
感觉$w_{j,k,m}^i$如果算跟后一个 spike 的时间间隔，效果会更好，然后考虑最后一个 spike 对系统的影响。（原文中是算跟前一个的时间间隔，算时间间隔内第一个 spike 的影响，感觉如果倒着数并且对齐，可能会更好）