論文の概要: Information Theoretic Measures of Causal Influences during Transient
Neural Events
- arxiv url: http://arxiv.org/abs/2209.07508v1
- Date: Thu, 15 Sep 2022 17:51:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 13:26:44.589602
- Title: Information Theoretic Measures of Causal Influences during Transient
Neural Events
- Title(参考訳): 過渡的ニューラルイベントにおける因果影響の情報理論
- Authors: Kaidi Shao, Nikos K. Logothetis and Michel Besserve
- Abstract要約: 過渡現象は、複数のスケールで脳の活動を調整する上で重要な役割を果たしている。
ニューラルデータサイエンスの鍵となる課題は、これらのイベント中のネットワークインタラクションを特徴づけることである。
- 参考スコア(独自算出の注目度): 2.9327503320877457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transient phenomena play a key role in coordinating brain activity at
multiple scales, however,their underlying mechanisms remain largely unknown. A
key challenge for neural data science is thus to characterize the network
interactions at play during these events. Using the formalism of Structural
Causal Models and their graphical representation, we investigate the
theoretical and empirical properties of Information Theory based causal
strength measures in the context of recurring spontaneous transient events.
After showing the limitations of Transfer Entropy and Dynamic Causal Strength
in such a setting, we introduce a novel measure, relative Dynamic Causal
Strength, and provide theoretical and empirical support for its benefits. These
methods are applied to simulated and experimentally recorded neural time
series, and provide results in agreement with our current understanding of the
underlying brain circuits.
- Abstract(参考訳): 過渡現象は、複数のスケールで脳の活動を調整する上で重要な役割を果たすが、基礎となるメカニズムはほとんど不明である。
したがって、ニューラルネットワーク科学の重要な課題は、これらのイベント中のネットワーク相互作用を特徴づけることである。
構造因果モデルの定式化とその図形表現を用いて,自然発生的過渡事象の文脈における情報理論に基づく因果強度測定の理論的および経験的特性について検討する。
このような設定において伝達エントロピーと動的因果強度の限界を示した後、相対的動的因果強度という新しい尺度を導入し、その利点に対する理論的および経験的支援を提供する。
これらの手法は、シミュレーションおよび実験的に記録された神経時系列に適用され、基礎となる脳回路の現在の理解と一致した結果が得られる。
関連論文リスト
- Deep reinforcement learning with time-scale invariant memory [1.338174941551702]
我々は、スケール不変メモリの計算神経科学モデルを深部強化学習(RL)エージェントに統合する。
このようなエージェントは、広範囲の時間スケールで頑健に学習できることを示す。
この結果は、神経科学と認知科学の計算原理をディープニューラルネットワークに組み込むことで、複雑な時間力学への適応性を高めることを示唆している。
論文 参考訳(メタデータ) (2024-12-19T07:20:03Z) - Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
神経科学とAIの両方において、ニューロン間の'結合'が競合学習の形式につながることは長年知られている。
完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。
このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、推論など、幅広いタスクに性能改善をもたらすことを示す。
論文 参考訳(メタデータ) (2024-10-17T17:47:54Z) - Missed Causes and Ambiguous Effects: Counterfactuals Pose Challenges for Interpreting Neural Networks [14.407025310553225]
解釈可能性の研究は、当然のことながら因果関係の反事実理論を採っている。
反事実理論は、我々の発見を具体的かつ予測可能な方法でバイアスする問題を持っている。
本稿では,これらの課題が解釈可能性研究者に与える影響について論じる。
論文 参考訳(メタデータ) (2024-07-05T17:53:03Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳(メタデータ) (2024-05-21T20:37:07Z) - Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。
本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。
本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
論文 参考訳(メタデータ) (2024-04-22T09:40:07Z) - Attention for Causal Relationship Discovery from Biological Neural
Dynamics [9.097847269529202]
本稿では,各ノードに複雑な非線形ダイナミクスを持つネットワークにおけるグランガー因果関係を学習するための変圧器モデルの可能性について検討する。
クロスアテンションモジュールはニューロン間の因果関係を効果的に把握し,最も一般的なグランガー因果関係解析法と同等かそれ以上の精度で検出することを示した。
論文 参考訳(メタデータ) (2023-11-12T18:59:42Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳(メタデータ) (2021-03-26T02:42:38Z) - Neural Relational Inference with Efficient Message Passing Mechanisms [10.329082213561785]
本稿では,これらの問題に対処するための構造的事前知識を持つグラフニューラルネットワークに,効率的なメッセージパッシング機構を導入する。
すべての関係の共存を捕捉する関係相互作用機構を提案し、エラーの蓄積を緩和するために履歴情報を用いてアテンポラルメッセージパッシング機構を提案する。
論文 参考訳(メタデータ) (2021-01-23T11:27:31Z) - Object-based attention for spatio-temporal reasoning: Outperforming
neuro-symbolic models with flexible distributed architectures [15.946511512356878]
適切な帰納的バイアスを持つ完全学習型ニューラルネットワークは,従来のニューラルシンボリックモデルよりもかなり優れた性能を示す。
我々のモデルは、自己意識と学習された「ソフト」オブジェクト中心表現の両方を批判的に利用します。
論文 参考訳(メタデータ) (2020-12-15T18:57:40Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳(メタデータ) (2020-11-18T18:52:08Z)
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。