論文の概要: Bubblewrap: Online tiling and real-time flow prediction on neural
manifolds
- arxiv url: http://arxiv.org/abs/2108.13941v1
- Date: Tue, 31 Aug 2021 16:01:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 17:26:18.809828
- Title: Bubblewrap: Online tiling and real-time flow prediction on neural
manifolds
- Title（参考訳）: bubblewrap: 神経多様体上のオンラインタイリングとリアルタイムフロー予測
- Authors: Anne Draelos, Pranjal Gupta, Na Young Jun, Chaichontat Sriworarat,
John Pearson
- Abstract要約: 本稿では, 高速で安定な次元減少と, 結果のニューラル多様体のソフトタイリングを結合する手法を提案する。
得られたモデルはキロヘルツのデータレートでトレーニングでき、数分で神経力学の正確な近似を生成し、ミリ秒以下の時間スケールで予測を生成する。
- 参考スコア（独自算出の注目度）: 2.624902795082451
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While most classic studies of function in experimental neuroscience have
focused on the coding properties of individual neurons, recent developments in
recording technologies have resulted in an increasing emphasis on the dynamics
of neural populations. This has given rise to a wide variety of models for
analyzing population activity in relation to experimental variables, but direct
testing of many neural population hypotheses requires intervening in the system
based on current neural state, necessitating models capable of inferring neural
state online. Existing approaches, primarily based on dynamical systems,
require strong parametric assumptions that are easily violated in the
noise-dominated regime and do not scale well to the thousands of data channels
in modern experiments. To address this problem, we propose a method that
combines fast, stable dimensionality reduction with a soft tiling of the
resulting neural manifold, allowing dynamics to be approximated as a
probability flow between tiles. This method can be fit efficiently using online
expectation maximization, scales to tens of thousands of tiles, and outperforms
existing methods when dynamics are noise-dominated or feature multi-modal
transition probabilities. The resulting model can be trained at kiloHertz data
rates, produces accurate approximations of neural dynamics within minutes, and
generates predictions on submillisecond time scales. It retains predictive
performance throughout many time steps into the future and is fast enough to
serve as a component of closed-loop causal experiments.
- Abstract（参考訳）: 実験神経科学における機能に関する古典的な研究は、個々のニューロンのコーディング特性に焦点を合わせてきたが、最近の記録技術の発展は、神経集団のダイナミクスに重点を置いている。
これは、実験変数に関連する集団活動を分析するための様々なモデルを生み出してきたが、多くの神経集団仮説の直接テストには、現在の神経状態に基づくシステムへの介入が必要であり、オンラインで神経状態を推測できるモデルが必要となる。
既存のアプローチは、主に力学系に基づいており、ノイズが支配するシステムでは容易に破られ、現代の実験では何千ものデータチャネルにスケールしない強力なパラメトリックな仮定を必要とする。
そこで本研究では, 高速で安定な次元の縮小と, 得られる神経多様体のソフトティリングを組み合わせることにより, タイル間の確率フローとしてダイナミクスを近似する手法を提案する。
この方法は、オンライン期待の最大化、数万のタイルへのスケール、あるいはノイズに支配されたり、マルチモーダル遷移確率を特徴とする既存手法よりも効率よく適合させることができる。
得られたモデルはキロヘルツデータレートでトレーニングでき、数分以内に正確な神経動力学の近似を生成し、ミリ秒以下の時間スケールで予測を生成する。
将来への多くの時間ステップを通じて予測性能を保持し、クローズドループ因果実験の構成要素として機能するのに十分な速度である。
関連論文リスト
- Inferring stochastic low-rank recurrent neural networks from neural data [5.179844449042386]
計算神経科学における中心的な目的は、大きなニューロンの活動と基礎となる力学系を関連付けることである。
低ランクリカレントニューラルネットワーク(RNN)は、トラクタブルダイナミクスを持つことによって、そのような解釈可能性を示す。
そこで本研究では,低ランクRNNをモンテカルロ変分法に適合させる手法を提案する。
論文 参考訳（メタデータ） (2024-06-24T15:57:49Z) - Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。
そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。
我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
論文 参考訳（メタデータ） (2024-06-01T09:03:32Z) - Real-Time Variational Method for Learning Neural Trajectory and its
Dynamics [7.936841911281107]
本稿では,指数関数型家族変動カルマンフィルタ(eVKF)について紹介する。
我々は、カルマンフィルタの予測ステップに対する閉形式変分類似を導出し、他のオンライン変分法と比較してELBO上の有意な厳密な境界を導出する。
我々は,本手法を実世界の合成・実世界のデータで検証し,特に競争性能が向上したことを示す。
論文 参考訳（メタデータ） (2023-05-18T19:52:46Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Robust alignment of cross-session recordings of neural population
activity by behaviour via unsupervised domain adaptation [1.2617078020344619]
本研究では,同じ動物から記録された未確認データから行動関連潜伏動態を推定できるモデルを提案する。
教師なし領域適応と、複数のセッションで訓練された逐次変分オートエンコーダを組み合わせることで、見つからないデータに対して優れた一般化が達成できることを示す。
論文 参考訳（メタデータ） (2022-02-12T22:17:30Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - Stochastic Recurrent Neural Network for Multistep Time Series
Forecasting [0.0]
我々は、時系列予測のための繰り返しニューラルネットワークの適応を提案するために、深部生成モデルと状態空間モデルの概念の進歩を活用する。
私たちのモデルは、すべての関連情報が隠された状態でカプセル化されるリカレントニューラルネットワークのアーキテクチャ的な動作を保ち、この柔軟性により、モデルはシーケンシャルモデリングのために任意のディープアーキテクチャに簡単に統合できます。
論文 参考訳（メタデータ） (2021-04-26T01:43:43Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - 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)
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。