論文の概要: Manifold GPLVMs for discovering non-Euclidean latent structure in neural data

• arxiv url: http://arxiv.org/abs/2006.07429v2
• Date: Wed, 21 Oct 2020 15:06:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 03:51:04.733001
• Title: Manifold GPLVMs for discovering non-Euclidean latent structure in neural data
• Title（参考訳）: ニューラルデータにおける非ユークリッド潜在構造発見のためのGPLVMのマニフォールド
• Authors: Kristopher T. Jensen, Ta-Chu Kao, Marco Tripodi, and Guillaume Hennequin
• Abstract要約: 神経科学における一般的な問題は、行動的に重要な変数の集合的神経表現を解明することである。 本稿では,新しい確率潜在変数モデルを提案し,各ニューロンがその表現に寄与する潜在状態を同時に同定する。
• 参考スコア（独自算出の注目度）: 5.949779668853555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common problem in neuroscience is to elucidate the collective neural representations of behaviorally important variables such as head direction, spatial location, upcoming movements, or mental spatial transformations. Often, these latent variables are internal constructs not directly accessible to the experimenter. Here, we propose a new probabilistic latent variable model to simultaneously identify the latent state and the way each neuron contributes to its representation in an unsupervised way. In contrast to previous models which assume Euclidean latent spaces, we embrace the fact that latent states often belong to symmetric manifolds such as spheres, tori, or rotation groups of various dimensions. We therefore propose the manifold Gaussian process latent variable model (mGPLVM), where neural responses arise from (i) a shared latent variable living on a specific manifold, and (ii) a set of non-parametric tuning curves determining how each neuron contributes to the representation. Cross-validated comparisons of models with different topologies can be used to distinguish between candidate manifolds, and variational inference enables quantification of uncertainty. We demonstrate the validity of the approach on several synthetic datasets, as well as on calcium recordings from the ellipsoid body of Drosophila melanogaster and extracellular recordings from the mouse anterodorsal thalamic nucleus. These circuits are both known to encode head direction, and mGPLVM correctly recovers the ring topology expected from neural populations representing a single angular variable.
• Abstract（参考訳）: 神経科学における一般的な問題は、方向、空間的位置、今後の動き、心的空間的変化といった行動上重要な変数の集合的神経表現を解明することである。 これらの潜伏変数は実験者に直接アクセスできない内部構造であることが多い。 そこで本研究では,潜在状態と各ニューロンが非教師なし方法でその表現に寄与する方法を同時に同定する,新しい確率潜在変数モデルを提案する。 ユークリッド的潜在空間を仮定した以前のモデルとは対照的に、潜在状態は様々な次元の球面、トーラス、回転群といった対称多様体に属することが多い。 そこで我々は,ニューラル応答が生じる多様体ガウス過程潜在変数モデル(mGPLVM)を提案する。 (i)特定の多様体上に存在する共有潜在変数、及び (ii)各ニューロンが表現にどのように寄与するかを決定する非パラメトリックなチューニング曲線の組。 異なる位相を持つモデルのクロス評価比較は、候補多様体を区別するために利用することができ、変分推論は不確かさの定量化を可能にする。 本研究では,いくつかの合成データセットに対するアプローチの有効性,ならびにショウジョウバエの楕円体からのカルシウム記録およびマウス視床核の細胞外記録について検証した。 これらの回路はどちらも方向を符号化することが知られており、mGPLVMは単一の角変数を表す神経集団から期待される環トポロジーを正確に回復する。

関連論文リスト

• Don't Cut Corners: Exact Conditions for Modularity in Biologically Inspired Representations [52.48094670415497]
  我々は、生物にインスパイアされた表現が、ソース変数(ソース)に関してモジュール化されるときの理論を開発する。 我々は、最適な生物学的にインスパイアされたリニアオートエンコーダのニューロンがモジュラー化されるかどうかを判断する情報源のサンプルに対して、必要かつ十分な条件を導出する。 我々の理論はどんなデータセットにも当てはまり、以前の研究で研究された統計的な独立性よりもはるかに長い。
  論文  参考訳（メタデータ） (2024-10-08T17:41:37Z)
• Unsupervised discovery of the shared and private geometry in multi-view data [1.8816600430294537]
  我々は低次元の共有変数とプライベート潜伏変数をアンハングリングする非線形ニューラルネットワークに基づく手法を開発した。 我々は,異なる雑音条件で解釈可能な共有構造とプライベート構造を探索するモデルの能力を実証する。 本手法を海馬と前頭前皮質の同時記録に応用し, マウスが直線軌道を走行している間に, 動物の位置を符号化する低次元の潜伏空間を発見する。
  論文  参考訳（メタデータ） (2024-08-22T03:00:21Z)
• Latent Variable Sequence Identification for Cognitive Models with Neural Bayes Estimation [7.7227297059345466]
  本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。 我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
  論文  参考訳（メタデータ） (2024-06-20T21:13:39Z)
• Multi-modal Gaussian Process Variational Autoencoders for Neural and Behavioral Data [0.9622208190558754]
  そこで本研究では,時間的に進化する共振子と独立潜光子を個別に同時記録した実験モードのために抽出する非教師付き潜光子変数モデルを提案する。 我々は,ポアソンスパイク数と時間とともにスムーズかつスムーズに回転するMNIST画像からなるシミュレーションマルチモーダルデータに対して,本モデルの有効性を検証した。 マルチモーダルGP-VAEは、モダリティ間の共有および独立の潜伏構造を正確に識別できるだけでなく、保留試験において画像とニューラルレートの両方を適切に再構成できることを示す。
  論文  参考訳（メタデータ） (2023-10-04T19:04:55Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Understanding Neural Coding on Latent Manifolds by Sharing Features and Dividing Ensembles [3.625425081454343]
  システム神経科学は、単一ニューロンのチューニング曲線と集団活動の分析を特徴とする2つの相補的な神経データ観に依存している。 これらの2つの視点は、潜伏変数とニューラルアクティビティの関係を制約するニューラル潜伏変数モデルにおいてエレガントに結合する。 ニューラルチューニング曲線にまたがる機能共有を提案し、性能を大幅に改善し、より良い最適化を実現する。
  論文  参考訳（メタデータ） (2022-10-06T18:37:49Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Unifying and generalizing models of neural dynamics during decision-making [27.46508483610472]
  本稿では,意思決定作業中の神経活動モデリングのための統一フレームワークを提案する。 このフレームワークは標準ドリフト拡散モデルを含み、多次元アキュミュレータ、可変および崩壊境界、離散ジャンプなどの拡張を可能にする。
  論文  参考訳（メタデータ） (2020-01-13T23:57:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。