发现网络的变化：基本限制、有效算法和大规模神经科学

赞助单位：美国国家科学基金会

获奖编号：1955981

合作伙伴：Venkatesh Saligrama，薛涵

文摘:

现代技术的进步使得收集从社会科学到神经科学等广泛学科的超大数据集成为可能。这些数据集通常由共同构成网络的许多节点的活动模式组成。例如，在社交网络中，每个节点可以代表一个人，而两个节点之间的连接可以代表一段友谊。在大脑中，每个节点可以代表一个神经元，两个节点之间的连接可以代表神经元之间的链接。一个新出现的挑战是设计算法，能够可靠而有效地推断这些网络的隐藏结构（即节点之间的连接集），只给出节点活动模式的记录。另一个相关的问题是，仅根据对某些节点连接的了解来识别网络中隐藏的集群或社区。本项目试图从网络变化发现的角度来检查这些问题：而不是试图恢复完整的网络结构，目标是确定网络结构是否在一定的时间尺度上发生了重大变化，以及这些结构变化发生在哪里。初步澳门威尼斯人注册网站研究结果表明，在某些情况下，变化发现比结构恢复要容易得多。这个跨学科项目将从理论和算法的角度澳门威尼斯人注册网站研究网络变化发现问题；由此产生的工具将应用于大型神经数据集，在了解学习任务如何改变大脑特定区域神经元连接的过程中。此外，该项目还将尝试通过重点研讨会、课程开发以及本科生和澳门威尼斯人注册网站研究生澳门威尼斯人注册网站研究的共同监督相结合，在信息科学和神经科学之间建立新的联系。

从技术角度来看，项目的目标分为三个重点。第一个要点使用信息论和高维统计的现代工具来确定测试和恢复网络变化的基本限制。这项工作将从简单的规范模型开始，例如随机块模型和马尔可夫随机场，在这些模型中，可以与先前的结构学习工作进行直接比较。然后，它将转向更丰富的模型，包括动力学、部分观测和重叠社区。第二部分从算法的角度澳门威尼斯人注册网站研究这些问题，并寻求设计计算效率高的算法，这些算法可以证明接近第一部分中建立的基本限制。这些算法将在合成数据集上进行验证，然后适应处理真实数据集中存在的复杂性。第三个重点是将这些算法应用于在关联和消退学习实验中从小鼠海马中收集的大规模钙成像神经数据集。目的是确定老鼠学习任务时神经元之间的连接是如何变化的。

更多信息请点击这里