利用现代钙成像技术，可以在体内记录数千个神经元的活动。这些实验可能为内在功能性神经元连接提供新的见解，定义为神经元活动之间的同期相关性。作为估计高维环境中条件依赖性的常用工具，图形模型是估计功能连接网络的自然选择。然而，原始的神经元活动数据提出了一个独特的挑战：数据中的相关信息存在于罕见的极值观察中，这些极值观察表明神经元放电，而不是在接近平均值的观察中。现有的极值图形建模技术依赖于分格或阈值观测，这可能不适用于钙成像数据。在本文中，我们开发了一类新的图形模型，称为Subbotin图形模型，它可以在不需要数据预处理的情况下，找到极值观测值的稀疏条件依赖结构。我们首先推导了Subbotin图形模型的形式，并给出了其可规范化的条件。然后，我们研究了Subbotin图形模型的经验性能，并通过几个模拟研究以及一个真实的钙成像数据示例，将其与现有的极值图形建模技术和神经科学的功能连接模型进行了比较。