論文の概要: A probabilistic latent variable model for detecting structure in binary
data
- arxiv url: http://arxiv.org/abs/2201.11108v1
- Date: Wed, 26 Jan 2022 18:37:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-27 14:03:07.070074
- Title: A probabilistic latent variable model for detecting structure in binary
data
- Title（参考訳）: 二元データにおける構造検出のための確率的潜在変数モデル
- Authors: Christopher Warner, Kiersten Ruda, Friedrich T. Sommer
- Abstract要約: スパースバイナリデータにおけるパターンの雑音や近似的な繰り返しを検出するために,新しい確率的二項潜在変数モデルを導入する。
モデルの能力は、網膜ニューロンから記録された構造を抽出することによって示される。
映画刺激時の網膜神経節細胞に記録されたスパイク応答に本モデルを適用した。
- 参考スコア（独自算出の注目度）: 0.6767885381740952
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel, probabilistic binary latent variable model to detect
noisy or approximate repeats of patterns in sparse binary data. The model is
based on the "Noisy-OR model" (Heckerman, 1990), used previously for disease
and topic modelling. The model's capability is demonstrated by extracting
structure in recordings from retinal neurons, but it can be widely applied to
discover and model latent structure in noisy binary data. In the context of
spiking neural data, the task is to "explain" spikes of individual neurons in
terms of groups of neurons, "Cell Assemblies" (CAs), that often fire together,
due to mutual interactions or other causes. The model infers sparse activity in
a set of binary latent variables, each describing the activity of a cell
assembly. When the latent variable of a cell assembly is active, it reduces the
probabilities of neurons belonging to this assembly to be inactive. The
conditional probability kernels of the latent components are learned from the
data in an expectation maximization scheme, involving inference of latent
states and parameter adjustments to the model. We thoroughly validate the model
on synthesized spike trains constructed to statistically resemble recorded
retinal responses to white noise stimulus and natural movie stimulus in data.
We also apply our model to spiking responses recorded in retinal ganglion cells
(RGCs) during stimulation with a movie and discuss the found structure.
- Abstract（参考訳）: 分散バイナリデータ中のパターンのノイズや近似的な繰り返しを検出するための,新しい確率的二項潜在変数モデルを提案する。
このモデルは"Noisy-OR model"(ヘッカーマン、1990年)に基づいており、以前は病気やトピック・モデリングに使われていた。
このモデルの能力は、網膜ニューロンから記録中の構造を抽出することで証明されるが、ノイズの多いバイナリーデータの潜在構造の発見とモデル化に広く応用することができる。
神経データをスパイクする文脈では、個々のニューロンのスパイクをニューロンのグループの"Cell Assemblies"(CA)という用語で説明する。
モデルは、セルアセンブリのアクティビティを記述する2進潜変数のセットでスパースアクティビティを推論する。
細胞組立体の潜伏変数が活性化されると、この組立体に属するニューロンが不活性となる確率を減少させる。
潜在成分の条件付き確率カーネルは、予測最大化スキームのデータから学習され、潜在状態の推測とモデルへのパラメータ調整を含む。
ホワイトノイズ刺激と自然刺激による網膜反応を統計的に類似させるために構築した合成スパイク列車のモデルについて, 徹底的に検証した。
また, 網膜神経節細胞 (RGC) に記録された刺激応答にも本モデルを適用し, 得られた構造について検討した。
関連論文リスト
- Diffusion-Based Generation of Neural Activity from Disentangled Latent Codes [1.9544534628180867]
本稿では,条件付き生成モデリングの進歩を生かしたニューラルデータ解析手法を提案する。
我々は,高情報付きコードに基づくニューラル・オブザーバ生成と呼ばれるモデルを時系列ニューラル・データに適用する。
VAEベースのシーケンシャルオートエンコーダと比較して、GNOCCHIは、鍵となる振る舞い変数に関してより明確に構造化され、よりゆがみのある高品質な潜在空間を学習する。
論文 参考訳（メタデータ） (2024-07-30T21:07:09Z) - Latent Variable Sequence Identification for Cognitive Models with Neural Bayes Estimation [7.7227297059345466]
本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。
我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
論文 参考訳（メタデータ） (2024-06-20T21:13:39Z) - 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) - 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) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - 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) - Learning identifiable and interpretable latent models of
high-dimensional neural activity using pi-VAE [10.529943544385585]
本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。
我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。
人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
論文 参考訳（メタデータ） (2020-11-09T22:00:38Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Variational inference formulation for a model-free simulation of a
dynamical system with unknown parameters by a recurrent neural network [8.616180927172548]
本研究では,事前知識のない未知パラメータを持つ力学系の「モデルフリー」シミュレーションを提案する。
ディープラーニングモデルは,非線形時間行進演算子と未知パラメータの影響を時系列データセットから共同学習することを目的としている。
提案したディープラーニングモデルは,乱数パラメータの次元を正確に同定し,複雑な時系列データの表現を学習することができる。
論文 参考訳（メタデータ） (2020-03-02T20:57:02Z) - Unifying and generalizing models of neural dynamics during
decision-making [27.46508483610472]
本稿では,意思決定作業中の神経活動モデリングのための統一フレームワークを提案する。
このフレームワークは標準ドリフト拡散モデルを含み、多次元アキュミュレータ、可変および崩壊境界、離散ジャンプなどの拡張を可能にする。
論文 参考訳（メタデータ） (2020-01-13T23:57:28Z)
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。