生物学的データ解析

生物学的システムは，複雑な構造を持つ高次元動的システムと見なすことができる．不確実でノイズの多い環境下では，外部から観測可能な変数はごくわずかである．多くの場合，我々が知りたいことと，実際に測定できることとの間には大きな隔たりがある．

このため観測可能なデータの生成メカニズムをいかに簡潔にモデル化するかが重要な課題となる．観測可能なデータの生成メカニズムを，知りたい構造の必要な部分だけを簡潔にモデル化し，未知のパラメタをいかに効率的かつ正確に推定するかが重要となる．

スパイク列からの神経接続の推定 見出しへのリンク

神経接続の推定は，生物学的システムの機能や学習メカニズムを理解するための根本的な課題である．電極記録は比較的古典的な手法ではあるが，近年の技術の発展により，複数のニューロンの活動を同時かつ継続的に測定することが可能になった．複数のスパイク列の解析において，我々は以下の問題を解決する手法を提案している．

  • 高次効果やダイナミクスに起因する擬似相関，
  • 観測されていないニューロンからの影響，
  • 方向性のある興奮性／抑制性接続．
Spike Train Analysis

[ slide ]​

Iwasaki, T., Hino, H., Tatsuno, M., Akaho, S., Murata, N.: “Estimation of neural connections from partially observed neural spikes”, Neural Networks, Volume 108, December 2018, Pages 172-191. https://doi.org/10.1016/j.neunet.2018.07.019

related works

Nagayama, M., Aritake, T., Hino, H., Kanda, T., Miyazaki, T., Yanagisawa, M., Akaho, S., Murata, N.: “Detecting cell assemblies by NMF-based clustering from calcium imaging data”, Neural Networks, Volume 149, May 2022, Pages 29-39. https://doi.org/10.1016/j.neunet.2022.01.023

生物学に着想を得た画像超解像 見出しへのリンク

マイクロサッカード（眼球の微小な動き）には様々な機能があると言われており，その一つは，取得した画像にずれを生じさせることで，超解像情報を得ることである．この考えに基づき，我々は，連続する複数の画像の小さな領域（パッチ）を位置合わせし，スパースコーディングを用いて各パッチ内で低解像度画像を分解し，高解像度画像を再構成する超解像アルゴリズムを提案している．

Image Super-resolution

[ slide ]​

Kato, T., Hino, H., Murata, N.: “Multi-frame image super resolution based on sparse coding”, Neural Networks, Volume 66, June 2015, Pages 64–78. https://doi.org/10.1016/j.neunet.2015.02.009

Kato, T., Hino, H., Murata, N.: “Double sparsity for multi-frame super resolution”, Neurocomputing, Volume 240, May 2017, Pages 115–126. https://doi.org/10.1016/j.neucom.2017.02.043

to be continued