論文の概要: Parametric Copula-GP model for analyzing multidimensional neuronal and
behavioral relationships
- arxiv url: http://arxiv.org/abs/2008.01007v1
- Date: Mon, 3 Aug 2020 16:44:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 06:23:42.112881
- Title: Parametric Copula-GP model for analyzing multidimensional neuronal and
behavioral relationships
- Title（参考訳）: 多次元神経・行動関係解析のためのパラメトリックコプラGPモデル
- Authors: Nina Kudryashova, Theoklitos Amvrosiadis, Nathalie Dupuy, Nathalie
Rochefort, Arno Onken
- Abstract要約: 本研究では,各変数の統計を依存構造から分離するパラメトリックコプラモデルを提案する。
連続タスク関連変数に条件付きコプラパラメータにガウス過程(GP)を優先したベイズフレームワークを用いる。
本フレームワークは神経,感覚,行動データ間の複雑な多次元的関係の解析に特に有用である。
- 参考スコア（独自算出の注目度）: 2.624902795082451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the main challenges in current systems neuroscience is the analysis of
high-dimensional neuronal and behavioral data that are characterized by
different statistics and timescales of the recorded variables. We propose a
parametric copula model which separates the statistics of the individual
variables from their dependence structure, and escapes the curse of
dimensionality by using vine copula constructions. We use a Bayesian framework
with Gaussian Process (GP) priors over copula parameters, conditioned on a
continuous task-related variable. We validate the model on synthetic data and
compare its performance in estimating mutual information against the commonly
used non-parametric algorithms.
Our model provides accurate information estimates when the dependencies in
the data match the parametric copulas used in our framework. When the exact
density estimation with a parametric model is not possible, our Copula-GP model
is still able to provide reasonable information estimates, close to the ground
truth and comparable to those obtained with a neural network estimator.
Finally, we apply our framework to real neuronal and behavioral recordings
obtained in awake mice. We demonstrate the ability of our framework to
1) produce accurate and interpretable bivariate models for the analysis of
inter-neuronal noise correlations or behavioral modulations;
2) expand to more than 100 dimensions and measure information content in the
whole-population statistics. These results demonstrate that the Copula-GP
framework is particularly useful for the analysis of complex multidimensional
relationships between neuronal, sensory and behavioral data.
- Abstract（参考訳）: 現在のシステム神経科学の主な課題の1つは、記録された変数の異なる統計と時間スケールによって特徴づけられる高次元の神経および行動データの分析である。
本研究では,個々の変数の統計をその依存構造から分離し,vine copula 構成を用いて次元の呪いから逃れるパラメトリックコプラモデルを提案する。
連続タスク関連変数に条件付きコプラパラメータにガウス過程(GP)を優先したベイズフレームワークを用いる。
合成データ上でのモデルの有効性を検証し、その性能を比較して、よく使われる非パラメトリックアルゴリズムと相互情報を推定する。
私たちのモデルは、データ内の依存関係がフレームワークで使用されるパラメトリックコプラと一致する場合の正確な情報見積もりを提供します。
パラメトリックモデルによる正確な密度推定が不可能な場合、我々のCopula-GPモデルは、基礎的な真実に近く、ニューラルネットワーク推定器で得られたものと同等の合理的な情報推定を提供することができる。
最後に、覚醒マウスで得られた実際の神経および行動記録に我々の枠組みを適用した。
筆者らは,1)脳間雑音相関や行動変調の分析のための正確かつ解釈可能な二変量モデルを作成する能力を示し,2)100以上の次元に拡張し,全人口統計における情報内容を測定する。
これらの結果から,Copula-GPフレームワークは神経,感覚,行動データ間の複雑な多次元関係の解析に特に有用であることが示唆された。
関連論文リスト
- Latent Variable Double Gaussian Process Model for Decoding Complex Neural Data [0.0]
ガウス過程(GP)のような非パラメトリックモデルは、複素データの解析において有望な結果を示す。
GPモデルに基づくニューラルデコーダモデルを提案する。
本稿では,このデコーダモデルの言語記憶実験データセットへの適用例を示す。
論文 参考訳（メタデータ） (2024-05-08T20:49:34Z) - WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。
本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。
WaLiN-GUIはオープンソースとドキュメントが提供されている。
論文 参考訳（メタデータ） (2023-10-25T20:34:08Z) - Supervised Parameter Estimation of Neuron Populations from Multiple
Firing Events [3.2826301276626273]
本研究では,一対のスパイキング系列とパラメータラベルからなる学習セットから,ニューロン集団のパラメータを自動的に学習する手法について,教師あり学習を通して検討した。
我々は、ニューロンモデルを用いて、異なるパラメータ設定での計算において多くのニューロン集団をシミュレートする。
次に、遺伝的検索、ベイズ逐次推定、ランダムウォーク近似モデルなどの古典的手法と比較する。
論文 参考訳（メタデータ） (2022-10-02T03:17:05Z) - Neural parameter calibration for large-scale multi-agent models [0.7734726150561089]
本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。
2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
論文 参考訳（メタデータ） (2022-09-27T17:36:26Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - 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) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。