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

기술 요약: 이벤트 시간 데이터 모델링을 위한 계층적 흥분 프로세스 (Hierarchical Excitatory Processes)

문제 정의
이벤트 시간 데이터는 신경과학, 역학, 금융과 같은 과학 분야에서 외생적 개입(exogenous interventions)이 존재하는 상황에서 빈번하게 발생한다. 핵심적인 모델링 과제는 이러한 외부 자극이 시간에 따라 이벤트 강도에 어떻게 영향을 미치는지, 동시에 비정상성(non-stationarity), 적응(예: 습관화/habituation), 그리고 실험 단위 간의 이질성을 고려하여 특성화하는 것이다. 불균일 포아송 과정(inhomogeneous Poisson processes)이나 자기 흥분형 호크스 과정(self-exciting Hawkes processes)과 같은 고전적인 점 프로세스 모델은, 알려진 외생적 자극에 기반한 체계적인 변화를 수용하거나 반복되는 개입에 따른 흥분 역학의 진화를 포착하도록 명시적으로 설계되지 않았기 때문에 종종 불충분하다. 이전 연구들이 (소셜 미디어 또는 질병 확산 모델 등에서) 외생적 효과를 통합하려고 시도했으나, 흥분 강도의 동적 조절을 모델링하고 반복적인 개입에 대해 유사한 반응 패턴을 보이는 잠재적 하위 그룹을 식별할 수 있는 유연한 프레임워크가 필요하다.

방법론
저자들은 반복적인 외부 자극 하에서 관찰된 이벤트 시간 데이터를 위한 점 프로세스 모델인 **계층적 흥분 프로세스(Hierarchical Excitatory Process, HEP)**를 제안한다. 이 프레임워크는 두 단계로 작동한다:

1. 조건부 강도 모델링 (Conditional Intensity Modeling): 모델은 이벤트가 조건부 강도 함수 $\lambda(t)$를 갖는 불균일 포아송 과정을 따른다고 가정한다. 이 강도는 기저율(baseline rate) $\lambda_0$와, 알려진 변화점(changepoints) $\tau_j$에서 발생하는 외부 자극에 의해 유도된 흥분 효과의 중첩으로 정의된다. 흥분은 커널 함수 $\phi_{\theta(\tau_j)}(t - \tau_j)$를 통해 모델링되는데, 여기서 파라미터 $\theta$(예: 점프 크기 $\alpha$, 감쇠율 $\beta$, 지연 $\delta$)는 정적이지 않고 시간에 따라 동적으로 진화한다.
2. 동적 파라미터 진화 (Dynamic Parameter Evolution): 흥분 커널을 결정하는 파라미터들은 자극의 이력에 의해 구동되는 시간의 함수로 모델링된다. 구체적으로, 저자들은 파라미터 $\alpha(s)$와 $\beta(s)$가 연속적인 자극 이후 파라미터 값을 감소시키는 억제 함수(예: 스케일된 지수적 감쇠)에 의해 조절되는 계층 구조를 채택한다. 이는 반복적인 자극에 따라 신경 세포의 반응이 약화되는 현상인 습관화(habituation)를 포착한다. 모델은 자극과 반응 사이의 지연을 설명하기 위해 지연된 스케일드 지수 함수(delayed scaled exponential functions)를 포함한 다양한 커널 형태를 지원한다.
3. 추론 및 클러스터링 (Inference and Clustering):
   • 파라미터 추정: 추론은 최대 우도 추정법(maximum likelihood estimation)을 통해 수행된다. 로그 우도는 분석적으로 도출되며, 관측 창(observation window) 전체에 대한 강도 함수의 정확한 적분을 포함하며, 관측되지 않은 기간(censored data)에 대한 규정도 포함한다.
   • 모델 기반 클러스터링: 이질성을 해결하기 위해, HEP 프레임워크는 혼합 모델(mixture model)로 확장된다. 뉴런들은 서로 다른 흥분-억제 파라미터를 특징으로 하는 $K$개의 잠재 그룹 중 하나에 속한다고 가정된다. 그룹 멤버십과 파라미터를 동시에 추정하기 위해 기대 최대화(Expectation-Maximization, EM) 알고리즘이 사용된다. 최적의 클러스터 수는 적분 완료 우도(Integrated Completed Likelihood, ICL) 기준을 사용하여 선택된다.

주요 기여

• HEP 프레임워크: 적응 및 습관화를 모델링할 수 있도록, 시간 가변적 흥분 파라미터를 통해 이벤트 강도를 외생적 자극과 명시적으로 연결하는 유연한 점 프로세스 모델을 도입하였다.
• 계층적 구조: 강도가 변화점을 통해 흥분 구조에 의존하고, 해당 흥분의 파라미터 자체가 잠재적 억제 또는 흥분 함수를 통해 동적이며 이력에 의존하는 새로운 구조를 구축하였다.
• 우도 기반 추론: 실험 설계에서 흔히 나타나는 검열된 관측 구간을 처리하는 것을 포함하여, 파라미터 추정을 위한 원칙적인 우도 기반 접근 방식을 개발하였다.
• 클러스터링 능력: HEP를 모델 기반 클러스터링 프레임에 통합하여, 외부 자극에 대해 유사한 반응 역학을 공유하는 실험 단위(예: 뉴런)의 잠재 그룹을 식착할 수 있게 하였다.

결과

• 시뮬레이션 연구: 광범한 시뮬레이션을 통해, 제한된 수의 외부 자극만으로도 실제 모델 파라미터(기저의 흥분 및 억제 함수 포함)를 정확하게 복구할 수 있는 모델의 능력을 입증하였다. 추론 절차는 실제 강도 함수를 성공적으로 추적하며, 보지 못한 미래의 자극에 대한 강도를 예측한다. 클러스터링 시뮬레이션에서 EM 알고리션은 단 몇 번의 자극 관찰만으로도 높은 조정 랜드 지수(Adjusted Rand Index, ARI) 값을 달성하며 잠재 그룹 구조를 효과적으로 복구하였으며, ICL 기준은 대부분의 경우 실제 그룹 수를 올바르게 식별하였다.
• Aplysia 데이터 적용: 본 방법론은 네 가지 서로 다른 실험 조건(반복적인 전기 자극 포함) 하에서의 Aplysia californica(민달팽이의 일종)의 등측 족 신경절(dorsal pedal ganglia) 내 신경 활동에 대한 광학 기록 데이터에 적용되었다.
  • HEP 모델은 관찰된 스파이크 열(spike trains)에 매우 잘 부합하였으며, 자극에 의한 발화 강도의 증가와 그에 따른 점진적인 감쇠(습관화)를 포착하였다.
  • 모델 기반 클러스터링은 서로 다른 반응 패턴을 보이는 별개의 뉴런 그룹(예: 2023년 6월 데이터셋의 9개 그룹)을 성공적으로 식별하였다. 이 그룹들은 강한 습관화를 보이는 뉴런부터 지속적인 반응을 보이거나 자극에 거의 반응하지 않는 뉴런까지 다양했으며, 이는 단일 파라미터 세트로는 설명할 수 없는 잠재적 하위 집단을 밝혀내는 모델의 능력을 보여준다.

의의 및 주장
본 논문은 HEP가 다음과 같은 사항을 수행하고자 하는 실무자들에게 단순하면서도 유연한 프레임워크를 제공한다고 주장한다:

1. 과거의 외생적 개입이 이벤트율에 미치는 영향을 정량화한다.
2. 추가적인 미래 자극의 영향을 추정한다.
3. 유사한 반응 패턴을 보이는 단위(예: 뉴런)의 그룹을 식별한다.
4. 개별 단위의 습관화 또는 적응의 증거를 평가한다.

저자들은 현재 구현이 수학적 다루기 쉬움을 위해 불균일 포아송 과정에 집중하고 있으나, 이 프레임와가 외부 개입이 점 프로세스 데이터를 어떻게 조절하는지 이해하기 위한 토대를 제공한다고 언급한다. 또한 뉴런 간의 독립성 가정 및 자기 흥분 또는 상호 흥분 다변량 구조의 배제를 한계점으로 인정하며, 이를 향후 확장 가능한 과제로 제시하였다. 이 연구는 계층적 방식으로 흥분성, 지속성, 회복 역학을 특성화할 수 있게 함으로써 해석 가능성을 강조한다.