論文の概要: Online neural connectivity estimation with ensemble stimulation
- arxiv url: http://arxiv.org/abs/2007.13911v2
- Date: Mon, 7 Dec 2020 16:26:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:21:27.688568
- Title: Online neural connectivity estimation with ensemble stimulation
- Title（参考訳）: アンサンブル刺激によるオンライン神経接続推定
- Authors: Anne Draelos, Eva A. Naumann, John M. Pearson
- Abstract要約: スパースネットワークにおけるこのプロセスの効率を大幅に向上させる,ノイズの多いグループテストに基づく手法を提案する。
人口規模に比例して対数的にしか成長しない多数のテストにより、二項化ネットワーク接続を回復可能であることを示す。
また、ネット上の数万のニューロンのネットワークに対して、接続性を推測する可能性も示しています。
- 参考スコア（独自算出の注目度）: 5.156484100374058
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the primary goals of systems neuroscience is to relate the structure
of neural circuits to their function, yet patterns of connectivity are
difficult to establish when recording from large populations in behaving
organisms. Many previous approaches have attempted to estimate functional
connectivity between neurons using statistical modeling of observational data,
but these approaches rely heavily on parametric assumptions and are purely
correlational. Recently, however, holographic photostimulation techniques have
made it possible to precisely target selected ensembles of neurons, offering
the possibility of establishing direct causal links. Here, we propose a method
based on noisy group testing that drastically increases the efficiency of this
process in sparse networks. By stimulating small ensembles of neurons, we show
that it is possible to recover binarized network connectivity with a number of
tests that grows only logarithmically with population size under minimal
statistical assumptions. Moreover, we prove that our approach, which reduces to
an efficiently solvable convex optimization problem, can be related to
Variational Bayesian inference on the binary connection weights, and we derive
rigorous bounds on the posterior marginals. This allows us to extend our method
to the streaming setting, where continuously updated posteriors allow for
optional stopping, and we demonstrate the feasibility of inferring connectivity
for networks of up to tens of thousands of neurons online. Finally, we show how
our work can be theoretically linked to compressed sensing approaches, and
compare results for connectivity inference in different settings.
- Abstract（参考訳）: 神経科学の主要な目的の1つは、神経回路の構造と機能とを関連付けることであるが、生物の多くの個体から記録する際の接続パターンの確立は困難である。
従来の多くのアプローチは、観測データの統計的モデリングを用いてニューロン間の機能的接続を推定しようとしたが、これらのアプローチはパラメトリックな仮定に大きく依存しており、純粋に相関性がある。
しかし近年、ホログラフィック光刺激技術により、選択された神経細胞のアンサンブルを正確に標的にすることができ、直接因果関係を確立することが可能になった。
本稿では,分散ネットワークにおけるこのプロセスの効率を劇的に向上させる雑音群テストに基づく手法を提案する。
ニューロンの小さなアンサンブルを刺激することにより、最小の統計的仮定の下で、集団サイズと対数的にのみ成長する多数のテストで、二項化ネットワーク接続を回復できることを示す。
さらに,効率よく解ける凸最適化問題に還元される我々の手法は,二乗接続重みの変分ベイズ推定と関係があることを証明し,後縁辺の厳密な境界を導出する。
これにより、連続的に更新された後部が任意の停止を可能にするストリーミング設定にメソッドを拡張でき、最大数万のニューロンの接続をオンラインに推論する可能性を示す。
最後に,我々の作業が圧縮センシングアプローチと理論的にどのように結びついているかを示し,異なる設定における接続推定結果の比較を行う。
関連論文リスト
- Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Decorrelating neurons using persistence [29.25969187808722]
2つの正規化項は、クリッドの最小スパンニングツリーの重みから計算される。
ニューロン間の相関関係を最小化することで、正規化条件よりも低い精度が得られることを示す。
正規化の可微分性の証明を含むので、最初の効果的なトポロジカルな永続性に基づく正規化用語を開発することができる。
論文 参考訳（メタデータ） (2023-08-09T11:09:14Z) - Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。
トラクタブル回路において,これを効率的に計算する方法を示す。
我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文 参考訳（メタデータ） (2023-02-28T00:04:22Z) - Zonotope Domains for Lagrangian Neural Network Verification [102.13346781220383]
我々は、ディープニューラルネットワークを多くの2層ニューラルネットワークの検証に分解する。
我々の手法は線形プログラミングとラグランジアンに基づく検証技術の両方により改善された境界を与える。
論文 参考訳（メタデータ） (2022-10-14T19:31:39Z) - 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) - Neuronal Correlation: a Central Concept in Neural Network [22.764342635264452]
神経相関は, 重み行列を用いて効率的に推定できることが示唆された。
神経相関は高次元隠れ空間におけるエントロピー推定の精度に大きく影響している。
論文 参考訳（メタデータ） (2022-01-22T15:01:50Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z) - Factorized Neural Processes for Neural Processes: $K$-Shot Prediction of
Neural Responses [9.792408261365043]
我々は,小さな刺激応答対からニューロンのチューニング関数を推定するファクトリズ・ニューラル・プロセスを開発した。
本稿では,ニューラルプロセスからの予測および再構成された受容場が,試行数の増加とともに真理に近づいたことをシミュレートした応答を示す。
この新しいディープラーニングシステム識別フレームワークは、ニューラルネットワークモデリングを神経科学実験にリアルタイムに組み込むのに役立つと信じている。
論文 参考訳（メタデータ） (2020-10-22T15:43:59Z) - Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。
提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文 参考訳（メタデータ） (2020-07-03T15:19:17Z) - 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。