스파이크 트리거 추정으로 구현하는 매크로‑마이크로 신경 연결 분류

본 논문은 다변량 점 과정으로 기술되는 신경망의 상호작용 그래프를 복원하는 새로운 통계적 프레임워크를 제시한다. 연구는 크게 네 부분으로 구성된다. 첫 번째 부분에서는 Galves‑Löcherbach 연속시간 모델을 소개한다. 각 뉴런 i는 막전위 u_i(t)와 발화 강도 λ_i(t)=ϕ_i(u_i(t)) 로 기술되며, ϕ_i는 비감소, 양의 하한 α와 상한 β를 갖는다. 시냅스 가중치 w_{j→i}는 흥분(양수) 혹은 억제(음수) 역할을 하며, 최대 입력 차수 d 로 제한한다. 모델의 핵심은 스파이크 발생 시 막전위가 즉시 0으로 리셋되는 로컬 리셋 메커니즘이다. 이 특성은 관측 윈도우를 스파이크 시점에 고정함으로써 조건부 확률을 간단히 만들 수 있게 한다. 두 번째 부분에서는 기존 고정‑그리드(Δ‑그리드) 방식의 한계를 지적한다. Δ를 충분히 작게 잡아야 편향이 사라지지만, 성공 확률이 Θ(Δ²) 수준으로 급감해 관측 데이터가 극히 희소해진다. 이를 보완하기 위해 두 가지 통계량을 정의한다. 첫 번째는 기존 추정기의 Δ⁻¹ 스케일링 버전으로, 마이크로‑스케일 한계에서 비제로 한계값을 확보한다. 두 번째는 스파이크‑트리거 샘플링으로, 타깃 뉴런 i의 스파이크 시점을 τ_i,k 로 삼아 A_i,k (리셋), B_i,k (버스트), C_{j→i,k} (j의 트리거), D_{j→i,k} (상호작용) 이벤트를 동적으로 정의한다. 이때 A_i,k와 C_{j→i,k}는 확률 1로 고정되며, B_i,k와 D_{j→i,k}만이 확률적 변동을 가진다. 세 번째 부분에서는 두 추정기의 수학적 성질을 분석한다. 조건부 확률 P(D|F)와 P(B|F′)를 이용해 추정값 ˆG_{j→i}(Δ) 를 정의하고, 에르고딕 정리를 통해 m₀·m₁→∞ 일 때 거의 확실히 기대값 G_{j→i}(Δ) 로 수렴함을 증명한다. Lemma 1에서는 B_i 이벤트의 조건부 확률에 대한 상·하한을 제공하여, Δ가 충분히 작을 경우 (Δ_A) 추정값이 신호와 노이즈를 명확히 구분하도록 보장한다. 그러나 Δ_A 가 실용적인 시뮬레이션에서는 너무 작아 관측 시간이 비현실적으로 길어지는 문제가 있다. 이를 해결하기 위해 네 번째 부분에서는 매크로‑마이크로 외삽 전략을 제시한다. 여러 스케일 Δ₁,…,Δ_K 에서 추정값을 측정하고, 피라미드 형태로 상위 스케일 평균을 하위 스케일에 외삽한다. 적응형 하이브리드 로직은 데이터 양에 따라 중간점 평균과 피라미드 외삽을 자동 전환한다. 이 과정에서 “마이크로‑스케일 한계”를 효과적으로 추정할 수 있다. 수치 실험에서는 (1) 완전 연결 클리크, (2) 3‑계층 구조 네트워크, (3) 전이 지연 및 막전위 누수를 포함한 확장 모델을 대상으로 검증한다. N=60까지 확장 가능한 시뮬레이션에서, SNR이 낮은 경우에도 흥분, 억제, 무연결을 100 % 정확도로 구분한다. 특히, 억제성 연결이 약한 상황에서도 스파이크‑트리거 추정기의 낮은 분산 덕분에 오분류가 거의 발생하지 않는다. 결론적으로, 본 연구는 (i) 로컬 리셋을 활용한 스파이크‑트리거 추정기의 설계, (ii) 마이크로‑스케일 데이터 희소성을 극복하는 매크로‑마이크로 외삽 알고리즘, (iii) 이론적 편향·분산 분석과 실험적 검증을 통한 완전한 연결 분류 파이프라인을 제공한다. 이 프레임워크는 대규모 extracellular 기록에서 최소한의 데이터(두 뉴런의 스파이크 열)만으로도 신경망의 구조적 정보를 정확히 복원할 수 있음을 입증한다.