論文の概要: Efficient Inference of Flexible Interaction in Spiking-neuron Networks

• arxiv url: http://arxiv.org/abs/2006.12845v2
• Date: Sat, 20 Feb 2021 14:27:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 21:58:03.218446
• Title: Efficient Inference of Flexible Interaction in Spiking-neuron Networks
• Title（参考訳）: スパイク-ニューロンネットワークにおけるフレキシブル相互作用の効率的な推論
• Authors: Feng Zhou, Yixuan Zhang, Jun Zhu
• Abstract要約: 非線形ホークス法を用いて、ニューロン間の興奮的または抑制的な相互作用をモデル化する。 提案アルゴリズムは, 相互作用の時間的ダイナミクスを推定し, ニューラルスパイク列の根底にある機能的接続を明らかにする。
• 参考スコア（独自算出の注目度）: 41.83710212492543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hawkes process provides an effective statistical framework for analyzing the time-dependent interaction of neuronal spiking activities. Although utilized in many real applications, the classic Hawkes process is incapable of modelling inhibitory interactions among neurons. Instead, the nonlinear Hawkes process allows for a more flexible influence pattern with excitatory or inhibitory interactions. In this paper, three sets of auxiliary latent variables (P\'{o}lya-Gamma variables, latent marked Poisson processes and sparsity variables) are augmented to make functional connection weights in a Gaussian form, which allows for a simple iterative algorithm with analytical updates. As a result, an efficient expectation-maximization (EM) algorithm is derived to obtain the maximum a posteriori (MAP) estimate. We demonstrate the accuracy and efficiency performance of our algorithm on synthetic and real data. For real neural recordings, we show our algorithm can estimate the temporal dynamics of interaction and reveal the interpretable functional connectivity underlying neural spike trains.
• Abstract（参考訳）: ホークス過程は、神経スパイキング活動の時間依存性相互作用を分析する効果的な統計フレームワークを提供する。 多くの実際の応用で使われているが、古典的なホークス過程はニューロン間の阻害相互作用のモデリングができない。 代わりに、非線形ホークス過程は、興奮的または抑制的な相互作用を持つより柔軟な影響パターンを可能にする。 本稿では,3組の補助潜伏変数(P\'{o}lya-Gamma変数,潜伏マークポアソン過程,疎度変数)を拡張してガウス形式の関数接続重み付けを行い,解析的更新を伴う簡単な反復アルゴリズムを実現する。 その結果,効率的な予測最大化(EM)アルゴリズムが導出され,MAP推定値の最大値が得られる。 合成データと実データに対して,アルゴリズムの精度と効率性を示す。 実際の神経記録では,インタラクションの時間的ダイナミクスを推定し,神経スパイク列を基盤とする解釈可能な機能的接続性を明らかにする。

関連論文リスト

• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Neuronal architecture extracts statistical temporal patterns [1.9662978733004601]
  情報表現や処理に高次時間的(コ-)ゆらぎをいかに利用できるかを示す。 単純な生物学的にインスパイアされたフィードフォワードニューロンモデルでは、時系列分類を行うために3階までの累積から情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-01-24T18:21:33Z)
• Learnable latent embeddings for joint behavioral and neural analysis [3.6062449190184136]
  CEBRAは、空間のマッピング、複雑なキネマティックな特徴の発見、視覚野からの自然映画の高速かつ高精度な復号化に利用できることを示す。 我々は、その精度を検証し、カルシウムと電気生理学の両方のデータセット、感覚と運動のタスク、そして種全体にわたる単純または複雑な振る舞いにその有用性を実証する。
  論文  参考訳（メタデータ） (2022-04-01T19:19:33Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics of Functional Connectivity [9.015698823470899]
  空間と時間にまたがる機能的脳結合をモデル化するためのアプローチを提案する。 我々は、性別分類とインテリジェンス予測にヒューマン・コネクトーム・プロジェクト(Human Connectome Project)データセットを使用する。 その結果、性別の予測精度は94.4%、流体インテリジェンス(0.325対0.144)との相関は、空間と時間を別々に符号化するベースラインモデルと比較して改善された。
  論文  参考訳（メタデータ） (2021-09-07T14:23:34Z)
• Fitting summary statistics of neural data with a differentiable spiking network simulator [4.987315310656657]
  一般的なアプローチは、記録された活動の可能性を最大化するパラメータを持つ確率論的リカレントスパイクネットワークで脳領域をモデル化することである。 結果のモデルが現実的なニューラルアクティビティを生成できないことを示す。 模擬活動と記録活動の相違を測る用語でログ類似度を高めることを提案する。
  論文  参考訳（メタデータ） (2021-06-18T11:21:30Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• UNIPoint: Universally Approximating Point Processes Intensities [125.08205865536577]
  学習可能な関数のクラスが任意の有効な強度関数を普遍的に近似できることを示す。 ニューラルポイントプロセスモデルであるUNIPointを実装し,各イベントの基底関数の和をパラメータ化するために,リカレントニューラルネットワークを用いた。
  論文  参考訳（メタデータ） (2020-07-28T09:31:56Z)
• Latent Network Structure Learning from High Dimensional Multivariate Point Processes [5.079425170410857]
  本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。 効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。 シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-04-07T17:48:01Z)

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。