2016 Fiscal Year Research-status Report
| Project/Area Number |
15K00418
|
|---|
| Research Institution | Institute of Physical and Chemical Research |
|---|
Principal Investigator |
岡本 洋 国立研究開発法人理化学研究所, 脳科学総合研究センター, 客員研究員 (00374067)
|
|---|
| Project Period (FY) |
2015-04-01 – 2018-03-31
|
| Keywords | コネクトーム / 複雑ネットワーク / 全脳ネットワーク / コミュニティ / テンポラルネットワーク / テンポラルコミュニティ / 二部グラフ / セルアセンブリ |
|---|
| Outline of Annual Research Achievements |
背景：ネットワークの中のノードが密につながったかたまり部分をコミュニティと呼ぶ。全脳ネットワークの個々のコミュニティには脳情報処理を構成する機能モジュールが対応する。したがって、脳情報処理アーキテクチャを明らかにするためには、全脳ネットワークに内在する個々のコミュニティを検出すること、および、これらのコミュニティがどう空間的・時間的に組織化されているかを知ることが本質的である。全脳ネットワークのコミュニティ構造には重なりと階層がある。研究開始年度の平成27年度には、ネットワークから重なりと階層のあるコミュニティ構造を検出する方法を構築した。
目標：重なりと階層は、コミュニティが空間的にどう組織化されているかに関する性質である。脳情報処理の時間的過程を明らかにするためには、さらに全脳ネットワークのコミュニティ構造が時間的にどう組織化されているかを知る必要がある。しかしながら、時間的に変化する要素間関係をどうネットワーク（テンポラルネットワーク）に表現し、さらに、テンポラルネットワークにおけるコミュニティ（テンポラルコミュニティ）の構造が時間的にどう変化するかを検出する方法は、まだほとんど確立されていない。そこで、テンポラルネットワークを構築してそこからテンポラルコミュニティを検出する方法の構築を、平成28年度の目標に設定した。
実績1：時刻タグノードを導入することにより、多層ネットワークに代表される従来方法を悩ます大規模化の問題に陥らずに、テンポラルネットワークが構築できることを示した。こうして得られたテンポラルネットワークに平成27年度に構築したコミュニティ検出方法を適用することにより、効果的にテンポラルコミュニティが検出できることを示した。
実績2：実績1の方法を多細胞記録データ（多ニューロンスパイク列）に適用し、そこからセルアセンブリを検出することを、提案した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
平成27年度に構築したところの、重なりと階層を持つコミュニティ構造を検出するアルゴリズムは、本研究課題遂行の支柱である。そこで、平成28年度においても引き続き、工数の多くをこのアルゴリズムの性能検証に割いた。既存のコミュニティ検出アルゴリズムの中で最も高性能であることが知られており、かつ、最も広く使われている「モジュラリティ最適化」および「Map equation/Infomap」について、これらを徹底的にマークして提案アルゴリズムとの性能比較を行った。そして、コミュニティ間に重なりがない場合には、提案アルゴリズムはこれらの既存アルゴリズムと同等の、あるいは、これらより高いコミュニティ検出性能を示すことを確認した。さらに、重なりと階層を持つコミュニティ構造の検出においては、提案アルゴリズムはこれらの既存アルゴリズムに対して圧倒的に優位であることを確認した。
時間タグノードの導入に基づいて構成されたテンポラルネットワークからテンポラルコミュニティを発見するにあたっては、コミュニティの重なりを検出できることが不可欠である。そのため、平成27年度に構築したアルゴリズムは、平成28年度におけるテンポラルコミュニティ検出方法の構築のために本質的であった。
当初予期していなかった研究成果：要素がベクトルパタンとして表現されるデータ（ベクトルデータ）を効果的・効率的にクラスタリングする方法の開発は、依然、機械学習研究における中心課題の一つである。提案のコミュニティ検出方法を用いることにより、ベクトルデータをノンパラメトリックかつ高速にクラスタリングできることに気付いた。
|
| Strategy for Future Research Activity |
I）提案のコミュニティ検出方法をさらに改良・発展させる。I-i）局所最小問題の解決。解像度を高く設定してネットワークを細かいコミュニティに分解しようとすると、しばしば局所最小に陥る。現定式では、細かい分解から出発して準静的に解像度を下げながらコミュニティ階層構造を導くようになっており、出発点の誤り（局所最小）を修正できない。そこで、次の方法により、局所最小問題の解決を試みる：コミュニティの混合係数に対する事前確率を導入することにより、局所最小が起こりにくい粗い分解から出発して準静的に解像度を上げげながらより細かいコミュニティ分解を得る。I-ii）最適コミュニティ数の決定。解像度を表すパラメタをあらためて確率変数とみなし、事前確率を導入する。変分ベイズの方法を用いることにより、最適なコミュニティ数を推定できると考えている。
II）大規模全脳ネットワーク分析。平成28年度に大規模全脳ネットワークデータ（IDO data, https://ida.loni.usc.edu/login.jsp）を入手した。これまでに開発したコミュニティ検出方法をこれらのデータに適用して、実際の大規模全脳ネットワークのコミュニティ構造（重なり・階層）を明らかにする。
|
| Causes of Carryover |
平成28年度の研究活動では、理論的解析および中規模のベンチマークネットワークを用いた実験が主であり、以前から所有していた計算機リソースを利用してこれらを実行することが可能であった。
|
| Expenditure Plan for Carryover Budget |
大規模全脳ネットワーク分析のための計算リソースを購入する。提案アルゴリズムをソフトウェアとして公開する。公開用ソフトウェアの開発を外部に委託する。
|
