論文の概要: Generalizable Machine Learning in Neuroscience using Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2010.08569v1
- Date: Fri, 16 Oct 2020 18:09:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 22:07:32.514975
- Title: Generalizable Machine Learning in Neuroscience using Graph Neural
Networks
- Title(参考訳): グラフニューラルネットワークを用いた神経科学における機械学習の一般化
- Authors: Paul Y. Wang, Sandalika Sapra, Vivek Kurien George, Gabriel A. Silva
- Abstract要約: ニューラルネットワークは、ニューロンレベルの動的予測と行動状態の分類の両方において、非常によく機能することを示す。
実験の結果, グラフニューラルネットワークは構造モデルよりも優れ, 目に見えない生物の一般化に優れていた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although a number of studies have explored deep learning in neuroscience, the
application of these algorithms to neural systems on a microscopic scale, i.e.
parameters relevant to lower scales of organization, remains relatively novel.
Motivated by advances in whole-brain imaging, we examined the performance of
deep learning models on microscopic neural dynamics and resulting emergent
behaviors using calcium imaging data from the nematode C. elegans. We show that
neural networks perform remarkably well on both neuron-level dynamics
prediction, and behavioral state classification. In addition, we compared the
performance of structure agnostic neural networks and graph neural networks to
investigate if graph structure can be exploited as a favorable inductive bias.
To perform this experiment, we designed a graph neural network which explicitly
infers relations between neurons from neural activity and leverages the
inferred graph structure during computations. In our experiments, we found that
graph neural networks generally outperformed structure agnostic models and
excel in generalization on unseen organisms, implying a potential path to
generalizable machine learning in neuroscience.
- Abstract(参考訳): 神経科学の深層学習について多くの研究がなされているが、これらのアルゴリズムの顕微鏡スケールでの神経系への応用、すなわち低スケールの組織に関係のあるパラメータは比較的新しい。
全身脳イメージングの進歩に動機づけられ, 線虫c. elegansのカルシウムイメージングデータを用いて, 微視的神経動力学および創発的行動に関するディープラーニングモデルの性能について検討した。
ニューラルネットワークは,ニューロンレベルダイナミクスの予測と行動状態の分類の両方において非常によく機能する。
さらに,構造非依存ニューラルネットワークとグラフニューラルネットワークの性能比較を行い,グラフ構造を有利な帰納バイアスとして活用できるかどうかについて検討した。
本研究では,神経活動からニューロン間の関係を明示的に推論し,計算中のグラフ構造を利用したグラフニューラルネットワークの設計を行った。
実験の結果, グラフニューラルネットワークは構造非依存モデルよりも優れ, 目に見えない生物の一般化に優れており, 神経科学における一般化可能な機械学習への道のりが示唆された。
関連論文リスト
- Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳(メタデータ) (2023-12-01T05:20:57Z) - Neuroformer: Multimodal and Multitask Generative Pretraining for Brain
Data [3.712362524473752]
最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。
視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。
我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
論文 参考訳(メタデータ) (2023-10-31T20:17:32Z) - Graph Neural Operators for Classification of Spatial Transcriptomics
Data [1.408706290287121]
マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。
グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
論文 参考訳(メタデータ) (2023-02-01T18:32:06Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-06T13:04:45Z) - Brain-inspired Graph Spiking Neural Networks for Commonsense Knowledge
Representation and Reasoning [11.048601659933249]
神経科学、認知科学、心理学、人工知能において、人間の脳におけるニューラルネットワークがどのように常識知識を表現するかは重要な研究トピックである。
本研究は, 個体群エンコーディングとスパイクタイミング依存的可塑性(STDP)機構をスパイクニューラルネットワークの学習に組み込む方法について検討する。
異なるコミュニティのニューロン集団は、コモンセンス知識グラフ全体を構成し、巨大なグラフがニューラルネットワークをスパイクする。
論文 参考訳(メタデータ) (2022-07-11T05:22:38Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - 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) - Graph Neural Networks in Network Neuroscience [1.6114012813668934]
グラフニューラルネットワーク(GNN)は、ディープグラフ構造を学ぶための巧妙な方法を提供する。
GNNベースの手法は、脳グラフ合成の欠如や疾患の分類など、脳グラフに関連するいくつかのアプリケーションで使用されている。
神経疾患の診断と集団グラフ統合のためのネットワーク神経科学分野におけるGNNモデルのより良い応用に向けての道筋をグラフ化して結論付ける。
論文 参考訳(メタデータ) (2021-06-07T11:49:57Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z) - Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。
リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。
トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文 参考訳(メタデータ) (2020-07-13T17:59:31Z)
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。