| name | sparse-neural-connectivity-recovery |
| description | Covariance-based method with Granger-causality refinement for recovering sparse neural connectivity from partial measurements |
| last_updated | 2026-06-11T00:00:00.000Z |
| paper_id | arXiv:2603.18497 |
| paper_date | 2026-03-19T00:00:00.000Z |
| authors | Quilee Simeon |
| category | neuroscience |
| tags | ["neuroscience","connectivity-recovery","covariance-method","granger-causality","neural-circuits"] |
Recovering Sparse Neural Connectivity from Partial Measurements
Overview
从稀疏、部分测量中恢复神经回路连接性的方法，使用协方差方法结合 Granger 因果精化。
Problem Statement
神经科学核心挑战：
- 从不完整观察推断神经回路连接性
- 不同 session 观察不同神经元子集
- 无法同时记录所有神经元
Solution: Covariance-Based Method
Core Algorithm
Phase 1: Covariance Accumulation
- 跨多个 session 累积成对协方差估计
- 从部分观察重建完整连接矩阵
Phase 2: Granger-Causality Refinement
- 使用 Granger 因果性施加生物约束
- 投影梯度下降优化
Key Discovery: Control-Estimation Tradeoff
控制-估计权衡：
- 刺激有助于可识别性 → 但破坏内在动力学
- 最优刺激水平取决于测量密度
Surprising Result: Linear Approximation Advantage
Stein-Price Identity 关键发现：
- "错误"的线性近似作为隐式正则化
- 在所有操作条件下优于 oracle estimator
- 隐式正则化避免过拟合
Practical Applications
- 神经疾病连接异常检测
- 实验设计优化
- 脑机接口连接分析
Implementation Workflow
- 数据收集（多 session 电生理）
- 协方差计算和累积
- 连接估计（最小二乘）
- Granger 精化（投影梯度）
- 验证和不确定性估计
Activation Triggers
Use this skill when:
- 从部分电生理记录恢复连接矩阵
- 分析跨 session 神经数据
- 设计刺激实验策略
Keywords: neural connectivity, partial measurements, covariance method, Granger causality, Stein-Price identity
References
- Simeon (2026). arXiv:2603.18497
