論文の概要: Accurate and efficient Simulation of very high-dimensional Neural Mass
Models with distributed-delay Connectome Tensors
- arxiv url: http://arxiv.org/abs/2009.07479v6
- Date: Fri, 10 Jun 2022 03:05:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 00:13:41.546130
- Title: Accurate and efficient Simulation of very high-dimensional Neural Mass
Models with distributed-delay Connectome Tensors
- Title（参考訳）: 分散遅延コネクトームテンソルを用いた超高次元ニューラルマスモデルの高精度かつ効率的なシミュレーション
- Authors: A. Gonz\'alez-Mitjans, D. Paz-Linares, A. Areces-Gonzalez, M. Li, Y.
Wang, ML. Bringas-Vega, and P.A Vald\'es-Sosa
- Abstract要約: 本稿では,2つの必須成分によって定義された高次元ニューラルマスモデル(NMM)を効率的に統合する手法を提案する。
1つ目は、各神経質量の力学の非線形ランダム微分方程式の集合である。
2つ目は、接続の強度と各接続の軸線に沿った情報伝達の遅延を符号化する、非常にスパースな3次元コネクトーム(CT)である。
- 参考スコア（独自算出の注目度）: 0.23453441553817037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces methods and a novel toolbox that efficiently integrates
any high-dimensional Neural Mass Models (NMMs) specified by two essential
components. The first is the set of nonlinear Random Differential Equations of
the dynamics of each neural mass. The second is the highly sparse
three-dimensional Connectome Tensor (CT) that encodes the strength of the
connections and the delays of information transfer along the axons of each
connection. Semi-analytical integration of the RDE is done with the Local
Linearization scheme for each neural mass model, which is the only scheme
guaranteeing dynamical fidelity to the original continuous-time nonlinear
dynamic. It also seamlessly allows modeling distributed delays CT with any
level of complexity or realism, as shown by the Moore-Penrose diagram of the
algorithm. This ease of implementation includes models with distributed-delay
CTs. We achieve high computational efficiency by using a tensor representation
of the model that leverages semi-analytic expressions to integrate the Random
Differential Equations (RDEs) underlying the NMM. We discretized the state
equation with Local Linearization via an algebraic formulation. This approach
increases numerical integration speed and efficiency, a crucial aspect of
large-scale NMM simulations. To illustrate the usefulness of the toolbox, we
simulate both a single Zetterberg-Jansen-Rit (ZJR) cortical column and an
interconnected population of such columns. These examples illustrate the
consequence of modifying the CT in these models, especially by introducing
distributed delays. We provide an open-source Matlab live script for the
toolbox.
- Abstract（参考訳）: 本稿では,2つの必須成分によって定義された高次元ニューラルマスモデル(NMM)を効率的に統合する手法と新しいツールボックスを提案する。
第一は、各神経質量の力学の非線形ランダム微分方程式の集合である。
2つ目は、接続の強度と各接続の軸線に沿った情報伝達の遅延を符号化する、高度にスパースな3次元コネクトームテンソル(CT)である。
RDEの半解析的統合は、ニューラルマスモデルごとに局所線形化スキームで行われ、これは元の連続時間非線形力学に対する動的忠実性を保証する唯一のスキームである。
また、アルゴリズムのムーア・ペンローズ図に示すように、任意のレベルの複雑さやリアリズムで分散遅延CTをシームレスにモデル化することができる。
この実装の容易さには、分散遅延CTを持つモデルが含まれる。
NMMの根底にあるランダム微分方程式(RDE)を統合するために半解析式を利用するモデルのテンソル表現を用いて高い計算効率を実現する。
我々は代数的定式化による局所線形化による状態方程式の離散化を行った。
このアプローチは、大規模なnmmシミュレーションの重要な側面である数値積分速度と効率を高める。
ツールボックスの有用性を説明するために,ゼッターベルク=ジャンセン=リット (ZJR) の1つの皮質列と,そのような列の相互接続した集団の両方をシミュレートした。
これらの例は、特に分散遅延を導入することによって、これらのモデルでCTを変更する結果を示す。
ツールボックス用のオープンソースのmatlabライブスクリプトを提供します。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Git Re-Basin: Merging Models modulo Permutation Symmetries [3.5450828190071655]
提案手法は,大規模ネットワークに適合する簡単なアルゴリズムを実例で示す。
我々は、独立に訓練されたモデル間のゼロモード接続の最初のデモ(私たちの知る限り)を実演する。
また、線形モード接続仮説の欠点についても論じる。
論文 参考訳（メタデータ） (2022-09-11T10:44:27Z) - Symplectically Integrated Symbolic Regression of Hamiltonian Dynamical
Systems [11.39873640706974]
シンプレクティック統合シンボリック回帰(SISR)は、データから物理支配方程式を学ぶための新しいテクニックである。
SISRは多層LSTM-RNNを用いて、確率的にハミルトン記号表現をサンプリングする。
論文 参考訳（メタデータ） (2022-09-04T03:17:40Z) - 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) - Partitioning sparse deep neural networks for scalable training and
inference [8.282177703075453]
最先端のディープニューラルネットワーク(DNN)には、計算とデータ管理の大幅な要件がある。
スパシフィケーション法とプルーニング法は,DNNの大量の接続を除去するのに有効であることが示されている。
その結果得られたスパースネットワークは、ディープラーニングにおけるトレーニングと推論の計算効率をさらに向上するためのユニークな課題を提示する。
論文 参考訳（メタデータ） (2021-04-23T20:05:52Z) - 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) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Estimation of sparse Gaussian graphical models with hidden clustering
structure [8.258451067861932]
隠れクラスタリング構造を持つスパースガウス図形モデルを推定するモデルを提案する。
対称なガウス・シーデルに基づく乗算器の交互方向法を開発した。
合成データと実データの両方に関する数値実験により,本モデルの有効性が示された。
論文 参考訳（メタデータ） (2020-04-17T08:43:31Z)
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。