Hierarchical excitatory processes for modelling event-time data in the presence of exogenous stimuli

तकनीकी सारांश: इवेंट-टाइम डेटा के मॉडलिंग के लिए पदानुक्रमित उत्तेजक प्रक्रियाएं (Hierarchical Excitatory Processes)

समस्या विवरण
इवेंट-टाइम डेटा अक्सर तंत्रिका विज्ञान (neuroscience), महामारी विज्ञान (epidemiology), और वित्त (finance) जैसे वैज्ञानिक डोमेन में उत्पन्न होता है, जहाँ घटनाएँ बाह्य हस्तक्षेपों (exogenous interventions) की उपस्थिति में होती हैं। एक केंद्रीय मॉडलिंग चुनौती यह है कि बाहरी उद्दीपनों (stimuli) से समय के साथ इवेंट की तीव्रता (intensity) कैसे प्रभावित होती है, जबकि गैर-स्थिरता (non-stationarity), अनुकूलन (जैसे कि अभ्यस्तता/habituation), और प्रयोगात्मक इकाइयों के बीच विषमता (heterogeneity) का भी ध्यान रखा जाए। शास्त्रीय पॉइंट प्रोसेस मॉडल, जैसे कि इनहोमोजेनियस पॉइसन प्रोसेस या स्व-उत्तेजक हॉक्स प्रोसेस (Hawkes processes), अक्सर अपर्याप्त होते हैं क्योंकि उन्हें विशेष रूप से ज्ञात बाह्य उद्दीपनों के आधार पर व्यवस्थित परिवर्तनों को समाहित करने के लिए या बार-बार होने वाले हस्तक्षेपों के माध्यम से उत्तेजना गतिकी (excitation dynamics) के विकास को पकड़ने के लिए डिज़ाइन नहीं किया गया है। हालांकि पिछले कार्यों ने बाह्य प्रभावों (जैसे सोशल मीडिया या रोग प्रसार मॉडल में) को शामिल करने का प्रयास किया है, लेकिन एक ऐसे लचीले ढांचे की आवश्यकता है जो उत्तेजना शक्ति के गतिशील मॉड्यूलेशन को मॉडल कर सके और समान प्रतिक्रिया पैटर्न वाले गुप्त उपसमूहों (latent subgroups) की पहचान करने की अनुमति दे सके।

कार्यप्रणाली
लेखक पदानुक्रमित उत्तेजक प्रक्रिया (Hierarchical Excitatory Process - HEP) प्रस्तावित करते हैं, जो बार-बार होने वाले बाहरी उद्दीपनों के तहत देखे गए इवेंट-टाइम डेटा के लिए एक पॉइंट प्रोसेस मॉडल है। यह ढांचा दो स्तरों पर कार्य करता है:

1. सशर्त तीव्रता मॉडलिंग (Conditional Intensity Modeling): मॉडल यह मानता है कि घटनाएँ एक इनहोमोजेनियस पॉइसन प्रक्रिया का अनुसरण करती हैं जिसकी एक सशर्त तीव्रता फलन $\lambda(t)$ है। यह तीव्रता एक बेसलाइन दर $\lambda_0$ और ज्ञात चेंजपॉइंट्स $\tau_j$ पर होने वाले बाहरी उद्दीपनों द्वारा प्रेरित उत्तेजना प्रभावों के सुपरपोजिशन (superposition) द्वारा परिभाषित होती है। उत्तेजना को एक कर्नेल फलन $\phi_{\theta(\tau_j)}(t - \tau_j)$ के माध्यम से मॉडल किया जाता है, जहाँ पैरामीटर $\theta$ (जैसे जंप मैग्नीट्यूड $\alpha$, क्षय दर $\beta$, और विलंब $\delta$) स्थिर नहीं हैं बल्कि समय के साथ गतिशील रूप से विकसित होते हैं।
2. गतिशील पैरामीटर विकास (Dynamic Parameter Evolution):ism: उत्तेजना कर्नेल को नियंत्रित करने वाले पैरामीटर स्वयं समय के फलन के रूप में मॉडल किए जाते हैं, जो उद्दीपनों के इतिहास द्वारा संचालित होते हैं। विशेष रूप से, लेखक एक पदानुक्रमित संरचना का उपयोग करते हैं जहाँ $\alpha(s)$ और $\beta(s)$ जैसे पैरामीटर्स को निषेध फलनों (inhibition functions, जैसे कि स्केल्ड एक्सपोनेंशियल डिके) द्वारा मॉड्युलेट किया जाता है जो क्रमिक उद्दीपनों के बाद पैरामीटर मानों को कम कर देते हैं। यह उन घटनाओं को पकड़ता है जैसे कि अभ्यस्तता (habituation), जहाँ बार-बार के उद्दीपन के बाद न्यूरोनल प्रतिक्रिया कम हो जाती है। मॉडल विभिन्न कर्नेल रूपों का समर्थन करता है, जिसमें उद्दीपन और प्रतिक्रिया के बीच के अंतराल (latency) को समझाने के लिए विलंबित स्केल्ड एक्सपोनेंशियल फंक्शन शामिल हैं।
3. अनुमान और क्लस्टरिंग (Inference and Clustering):
   • पैरामीटर अनुमान: अनुमान अधिकतम संभावना अनुमान (maximum likelihood estimation) के माध्यम से किया जाता है। लॉग-लाइक्लीहुड (log-likelihood) विश्लेषणात्मक रूप से व्युत्पन्न है, जिसमें अवलोकन विंडो के ऊपर तीव्रता फलन का सटीक एकीकरण (exact integration) शामिल है, जिसमें सेंसर डेटा (बिना अवलोकन की अवधि) के प्रावधान भी दिए गए हैं।
   • मॉडल-आधारित क्लस्टरिंग: विषमता को संबोधित करने के लिए, HEP ढांचे को एक मिश्रण मॉडल (mixture model) में विस्तारित किया गया है। यह माना जाता है कि न्यूरॉन्स $K$ गुप्त समूहों (latent groups) में से एक के सदस्य हैं, जिनमें से प्रत्येक का एक विशिष्ट उत्तेजना-निषेध पैरामीटर सेट होता है। समूहों की सदस्यता और पैरामीटर्स को एक साथ अनुमानित करने के लिए एक एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) एल्गोरिदम का उपयोग किया जाता है। समूहों की इष्टतम संख्या का चयन इंटीग्रेटेड कम्पलीटेड लाइक्लीहुड (ICL) मानदंड का उपयोग करके किया जाता है।

प्रमुख योगदान

• HEP ढांचा: एक लचीला पॉइंट प्रोसेस मॉडल पेश करना जो समय-परिवर्ती उत्तेजना पैरामीटर्स के माध्यम से इवेंट की तीव्रता को स्पष्ट रूप से बाह्य उद्दीपनों से जोड़ता है, जिससे अभ्यस्तता और अनुकूलन का मॉडलिंग संभव होता है।
• पदानुक्रमित संरचना: एक नवीन निर्माण जहाँ तीव्रता चेंजपॉइंट्स पर निर्भर करती है एक उत्तेजना संरचना के माध्यम से, और उस उत्तेजना के पैरामीटर स्वयं गतिशील और इतिहास-निर्भर होते हैं (गुप्त निषेध या उत्तेजना फलनों के माध्यम से)।
• लाइक्लीहुड-आधारित अनुमान: सेंसर अवलोकन अंतरालों को संभालने सहित, जिसमें प्रयोगात्मक डिजाइनों में सामान्य हैं, पैरामीटर अनुमान के लिए एक सिद्धांत-आधारित लाइक्लीहुड दृष्टिकोण का विकास।
• क्लस्टरिंग क्षमता: समान प्रतिक्रिया गतिकी (response dynamics) साझा करने वाले प्रयोगात्मक इकाइयों (जैसे न्यूरॉन्स) के गुप्त समूहों की पहचान करने के लिए HEP को एक मॉडल-आधारित क्लस्टरिंग ढांचे में एकीकृत करना।

परिणाम

• सिमुलेशन अध्ययन: व्यापक सिमुलेशन मॉडल की वास्तविक मॉडल पैरामीटर्स, जिसमें अंतर्निहित उत्तेजना और निषेध फलन शामिल हैं, को सीमित बाहरी उद्दीपनों के साथ भी सटीक रूप से रिकवर करने की क्षमता प्रदर्शित करते हैं। अनुमान प्रक्रिया वास्तविक तीव्रता फलन को सफलतापूर्वक ट्रैक करती है और अनदेखे भविष्य के उद्दीपनों के लिए तीव्रता की भविष्यवाणी करती है। क्लस्टरिंग सिमुलेशन में, EM एल्गोरिदम प्रभावी रूप से गुप्त समूह संरचनाओं को रिकवर करता है, जो केवल कुछ उद्दीपनों को देखने के बाद उच्च एडजस्टेड रैंड इंडेक्स (ARI) मान प्राप्त करता है, और ICL मानदंड अधिकांश मामलों में समूहों की वास्तविक संख्या की सही पहचान करता है।
• Aplysia डेटा पर अनुप्रयोग: इस कार्यप्रणाली को चार अलग-अलग प्रयोगात्मक स्थितियों में बार-बार विद्युत उद्दीपनों के तहत Aplysia californica समुद्री घोंघे के डोर्सल पेडल गैंग्लिया से न्यूरोनल गतिविधि की ऑप्टिकल रिकॉर्डिंग पर लागू किया गया।
  • HEP मॉडल ने स्पाइक ट्रेनों के देखे गए डेटा के साथ उत्कृष्ट फिट प्रदान किया, जो उद्दीपन-संचालित फायरिंग तीव्रता में वृद्धि और उसके बाद क्रमिक क्षय (अभ्यस्तता) को कैप्चर करता है।
  • मॉडल-आधारित क्लस्टरिंग ने न्यूरॉन्स के विशिष्ट समूहों (जैसे जून 2023 के डेटासेट में 9 समूह) की सफलतापूर्वक पहचान की, जो विषम प्रतिक्रिया पैटर्न प्रदर्शित करते हैं। इन समूहों में अत्यधिक अभ्यस्तता वाले न्यूरॉन्स से लेकर निरंतर प्रतिक्रिया देने वाले या उद्दीपनों के प्रति न्यूनतम प्रतिक्रिया वाले न्यूरॉन्स तक शामिल थे, जो एक एकल सेट के पैरामीटर्स द्वारा वर्णित न किए जा सकने वाले गुप्त उप-जनसंख्याओं को उजागर करने की मॉडल की क्षमता को दर्शाता है।

महत्व और दावे
यह पेपर दावा करता है कि HEPs चिकित्सकों को निम्नलिखित कार्यों के लिए एक सरल लेकिन लचीला ढांचा प्रदान करते हैं:

1. अतीत के बाह्य हस्तक्षेपों के प्रभाव को मात्रात्मक रूप से मापना।
2. अतिरिक्त भविष्य के उद्दीपनों के प्रभाव का अनुमान लगाना।
3. समान प्रतिक्रिया पैटर्न (जैसे न्यूरॉन्स) दिखाने वाली इकाइयों के समूहों की पहचान करना।
4. व्यक्तिगत इकाइयों में अभ्यस्तता या अनुकूलन के साक्ष्य का आकलन करना।

लेखक नोट करते हैं कि हालांकि वर्तमान कार्यान्वयन गणितीय सुगमता के लिए इनहोमोजेनियस पॉइसन प्रक्रियाओं पर केंद्रित है, फिर भी यह ढांचा यह समझने के लिए एक आधार प्रदान करता है कि कैसे बाहरी हस्तक्षेप पॉइंट प्रोसेस डेटा को मॉड्युलेट करते हैं। वे सीमाओं को स्वीकार करते हैं, जैसे कि न्यूरॉन्स के बीच स्वतंत्रता का अनुमान और स्व-उत्तेजक या परस्पर-उत्तेजक बहुभिन्नरूपी संरचनाओं का बहिष्करण, जो भविष्य के विस्तार के रूप में सुझाए गए हैं। यह कार्य व्याख्यात्मकता (interpretability) पर जोर देता है, जो पदानुक्रमित तरीके से उत्तेजकता, दृढ़ता और रिकवरी गतिकी के लक्षण वर्णन की अनुमति देता है।