論文の概要: Neural State-Space Modeling with Latent Causal-Effect Disentanglement
- arxiv url: http://arxiv.org/abs/2209.12387v1
- Date: Mon, 26 Sep 2022 03:02:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 14:12:50.295895
- Title: Neural State-Space Modeling with Latent Causal-Effect Disentanglement
- Title(参考訳): 潜在因果効果ジエンタングルメントを用いた神経状態空間モデリング
- Authors: Maryam Toloubidokhti, Ryan Missel, Xiajun Jiang, Niels Otani, Linwei
Wang
- Abstract要約: 本稿では,信号強度が小さいが,信号強度が大きいその後のグローバルな活動の原因となる局所的活動の再構築手法について論じる。
私たちの中心的なイノベーションは、システムの潜伏状態が潜在的に隠れた内部介入の影響を受けやすいかを明確にモデル化し、切り離すことによって、これに取り組むことです。
介入は直接観察できないが、その後の観測結果から切り離す必要があるため、システムのネイティブな介入自由力学の知識を統合し、実際の介入自由力学と仮説的な介入自由力学の差異に責任を負うと仮定して隠れた介入を推測する。
- 参考スコア(独自算出の注目度): 3.5507435095193896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite substantial progress in deep learning approaches to time-series
reconstruction, no existing methods are designed to uncover local activities
with minute signal strength due to their negligible contribution to the
optimization loss. Such local activities however can signify important abnormal
events in physiological systems, such as an extra foci triggering an abnormal
propagation of electrical waves in the heart. We discuss a novel technique for
reconstructing such local activity that, while small in signal strength, is the
cause of subsequent global activities that have larger signal strength. Our
central innovation is to approach this by explicitly modeling and disentangling
how the latent state of a system is influenced by potential hidden internal
interventions. In a novel neural formulation of state-space models (SSMs), we
first introduce causal-effect modeling of the latent dynamics via a system of
interacting neural ODEs that separately describes 1) the continuous-time
dynamics of the internal intervention, and 2) its effect on the trajectory of
the system's native state. Because the intervention can not be directly
observed but have to be disentangled from the observed subsequent effect, we
integrate knowledge of the native intervention-free dynamics of a system, and
infer the hidden intervention by assuming it to be responsible for differences
observed between the actual and hypothetical intervention-free dynamics. We
demonstrated a proof-of-concept of the presented framework on reconstructing
ectopic foci disrupting the course of normal cardiac electrical propagation
from remote observations.
- Abstract(参考訳): 時系列再構成への深層学習アプローチの進歩にもかかわらず、最適化損失への無視的な貢献により、局所的な活動が微小信号強度で発見されるような手法は存在しない。
このような局所的な活動は、心臓に異常な電気波の伝播を引き起こす余分な焦点など、生理系の重要な異常事象を示す可能性がある。
我々は、信号強度が小さいが、信号強度が大きいその後のグローバルな活動の原因となる局所的な活動を再構築する新しい手法について論じる。
私たちの中心となるイノベーションは、システムの潜在状態が潜在的な隠れた内部介入によってどのように影響を受けるかを明確にモデル化し、分離することでこれに取り組むことです。
状態空間モデルの新規なニューラル定式化(ssms)において,我々はまず,相互作用するニューラルオデムのシステムを介して潜在力学の因果効果モデルを導入する。
1)内的介入の連続時間ダイナミクス,及び
2)システムのネイティブ状態の軌跡への影響。
介入は直接観察できないが、観察された後続の効果とは無関係であるので、システムのネイティブ介入フリーダイナミクスの知識を統合し、実際の介入フリーダイナミクスと仮説的な介入フリーダイナミクスの相違の原因となると仮定して隠れ介入を推測する。
遠隔観察で正常心電図の伝播経路を乱す異所性fociを再構成する枠組みの実証実験を行った。
関連論文リスト
- Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳(メタデータ) (2023-10-23T00:44:17Z) - Extraction and Recovery of Spatio-Temporal Structure in Latent Dynamics
Alignment with Diffusion Models [1.4756031289693907]
行動関連脳の計算では、神経信号をその中の急激な領域に合わせる必要がある。
本研究では,拡散モデルの表現性を利用して潜在力学の固有時間構造を保存するアライメント手法であるEDDiffを提案する。
提案手法は, 潜時力学の時間的構造を保ち, 整合性, ニューラルデコード性能において, 既存の手法より優れることを示す。
論文 参考訳(メタデータ) (2023-06-09T05:53:11Z) - A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文 参考訳(メタデータ) (2022-11-16T20:00:38Z) - Information Theoretic Measures of Causal Influences during Transient
Neural Events [2.9327503320877457]
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。
論文 参考訳(メタデータ) (2022-09-15T17:51:46Z) - STNDT: Modeling Neural Population Activity with a Spatiotemporal
Transformer [19.329190789275565]
我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。
本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2022-06-09T18:54:23Z) - Inference of Affordances and Active Motor Control in Simulated Agents [0.5161531917413706]
本稿では,出力確率,時間的予測,モジュール型人工ニューラルネットワークアーキテクチャを提案する。
我々のアーキテクチャは、割当マップと解釈できる潜在状態が発達していることを示す。
アクティブな推論と組み合わせることで、フレキシブルでゴール指向の動作が実行可能であることを示す。
論文 参考訳(メタデータ) (2022-02-23T14:13:04Z) - 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) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳(メタデータ) (2021-04-22T04:01:32Z) - 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) - 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) - Neural Ordinary Differential Equations for Intervention Modeling [30.127870899307254]
現実世界のシステムは、しばしばシステムダイナミクスの変化を引き起こす外部の介入を伴います。
ニューラルODEと最近の多くの変種は、観察と介入を個別に適切にモデル化しないため、そのような介入をモデル化するのに適していない。
本稿では、2つのODE関数を別々に処理し、外部介入の効果を適切にモデル化する新しいニューラルODEベースのアプローチ(IMODE)を提案する。
論文 参考訳(メタデータ) (2020-10-16T10:55:12Z)
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。