研究表明，推断神经电路连接的方法受系统误差的影响

近年来，越来越多的计算机科学家试图开发由人脑中神经电路的结构，功能和可塑性的启发的计算方法。实现对生物神经电路的全面了解对于创建这些神经启发的计算系统至关重要。

为了完全理解允许生物神经电路计算信息并随着时间的推移适应的机制，神经科学家应该能够检查各个神经元之间的连接。虽然电路跟踪技术的最新进步已经开辟了研究这些连接的新可能性，但使用这些技术收集数据仍然非常具有挑战性和昂贵。

因此，一些科学家设计了统计方法基于多细胞神经活动记录估计神经连通性。虽然这些方法被广泛使用，但它们可能无法产生可靠的神经连接表示。

德克萨斯大学奥斯汀大学的研究人员最近进行了研究调查现有方法的算法估计神经网络接线的有效性。他们的发现，发表在自然神经科学的研究表明，即使是这些方法中最复杂的方法也是有偏差的，它们倾向于推断实际上没有连接，但高度相关的神经元之间的联系。

“因为很难直接测量神经的接线图电路研究人员在纸上估计它们的算法估计它们很长一直是估计它们。“我们表明，即使是从电路中的每个单元的无限数据应用于无限数据的甚至复杂的方法都会偏向未连接之间的连接但高度相关的神经元。当真正的网络动态和用于推断的模型之间存在不匹配时，此失败会“解释为什么”发生连接，这在建模现实世界时是不可避免的。“

为了评估统计方法推断神经连通性的有效性，研究人员构建了一系列具有不同绝对循环重量强度但具有相同网络结构的循环网络。他们使用的不同的体重强度将神经回路在不同的循环状态中移动，即弱(即感觉)、中等(放大感觉)和强(记忆)循环状态。

在这些制度的最后一次，当复发重量强烈时，他们观察到大量神经活性模式的出现，算法方法发现了神经元之间的相关性，实际上是未连接的。有趣的是，研究人员发现，当使用基于多元脑活动记录的多种算法方法时出现相同类型的误差。在他们的论文中，他们强调需要在尝试基于计算相关性的统计模型之间推断出变量之间的随意关系时特别小心。

虽然他们收集的调查结果重申了与神经连接的检查和估计相关的挑战，但研究人员还突出了一些新兴技术的潜力，包括涉及扰动和后续监测神经元的互联网和方法领域的最新进展。最后，它们基于均衡均衡的采样来介绍一种新的方法，可能与这两个新兴方法互补，因为它结合了它们的优势和优势。

研究人员在论文中写道:“我们的结果表明，在有足够多的非平衡数据的情况下，即使是执行一个简单的相关推理，也能比在平衡数据上使用复杂的推理算法，更好地估计循环网络中的真实连通性。”

该研究很快就会激发新的研究，探索估算神经架构结构和连通性的技术潜力。此外，远离均衡的采样方法可能对研究神经连接以外的神经机制有用，例如神经和突触适应。

---

---

©2020科学BOB体育赌博X网络