Fugu-MT 論文翻訳(概要): Testing geometric representation hypotheses from simulated place cell recordings

論文の概要: Testing geometric representation hypotheses from simulated place cell recordings

arxiv url: http://arxiv.org/abs/2211.09096v1
Date: Wed, 16 Nov 2022 18:29:17 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 14:27:05.992039
Title: Testing geometric representation hypotheses from simulated place cell recordings
Title（参考訳）: シミュレーションプレースセル記録からの幾何表現仮説の検証
Authors: Thibault Niederhauser, Adam Lester, Nina Miolane, Khanh Dao Duc, Manu S. Madhav
Abstract要約: 海馬の場所細胞は、物理的またはタスク関連空間における動物の空間的位置をコードすることができる。グラフトポロジーで迷路のゴールノードに移動するラットのユークリッドまたはグラフベースの位置をコードした位置細胞群をシミュレーションした。
参考スコア（独自算出の注目度）: 3.1498833540989413
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Hippocampal place cells can encode spatial locations of an animal in physical or task-relevant spaces. We simulated place cell populations that encoded either Euclidean- or graph-based positions of a rat navigating to goal nodes in a maze with a graph topology, and used manifold learning methods such as UMAP and Autoencoders (AE) to analyze these neural population activities. The structure of the latent spaces learned by the AE reflects their true geometric structure, while PCA fails to do so and UMAP is less robust to noise. Our results support future applications of AE architectures to decipher the geometry of spatial encoding in the brain.
Abstract（参考訳）: 海馬の場所細胞は、物理的またはタスク関連空間における動物の空間的位置をコードすることができる。グラフトポロジで迷路のゴールノードにナビゲートするラットのユークリッドまたはグラフベースの位置をコードする位置細胞群をシミュレーションし,UMAPやオートエンコーダ(AE)などの多様体学習法を用いてこれらの神経集団活動を解析した。 AEによって学習された潜在空間の構造はその真の幾何学的構造を反映するが、PCAはそれを行うことができず、UMAPは雑音に対して頑健ではない。本研究は,脳内空間エンコーディングの幾何学を解明するためのAEアーキテクチャの今後の応用を支援する。

関連論文リスト

Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
論文参考訳（メタデータ） (2024-10-16T17:53:26Z)
Geometric Inductive Biases of Deep Networks: The Role of Data and Architecture [22.225213114532533]
ニューラルネットワークをトレーニングする場合、入力空間の曲率はそのアーキテクチャによって決定される変換の下で不変である。平均幾何が低ランクである場合(例えばResNetの場合)、幾何学は入力空間の部分集合にのみ変化する。
論文参考訳（メタデータ） (2024-10-15T19:46:09Z)
Enforcing 3D Topological Constraints in Composite Objects via Implicit Functions [60.56741715207466]
医学的応用は心臓や脊椎などの複数の部分を持つ複雑な臓器の正確な3D表現を必要とすることが多い。本稿では,深い暗黙的符号付き距離関数を用いた3次元物体再構成におけるトポロジ的制約を強制する新しい手法を提案する。そこで本研究では,3次元形状間のトポロジ的制約を効果的に検証・実施するサンプリングベース手法を提案する。
論文参考訳（メタデータ） (2023-07-16T10:07:15Z)
Evaluating the Effectiveness of Large Language Models in Representing Textual Descriptions of Geometry and Spatial Relations [2.8935588665357086]
本研究では,大規模言語モデル(LLM)の空間的関係の表現能力を評価することに焦点を当てた。我々は GPT-2 や BERT などの LLM を用いて、よく知られたジオメトリのテキスト (WKT) フォーマットを符号化し、それらの埋め込みを分類器や回帰器に入力する。実験では、LLMが生成した埋め込みは幾何型を保存し、いくつかの空間的関係(精度は73%まで)を捉えることができるが、数値を推定し、空間的関連オブジェクトを検索する際の課題が残っている。
論文参考訳（メタデータ） (2023-07-05T03:50:08Z)
Fast Marching Energy CNN [5.392025723672817]
我々はCNNを用いて問題に適応した等方的リーマン計量を生成する新しい手法を提案する。次に、このアイデアをCNNによって出力された測地線距離の単位球として脳腫瘍のセグメント化に適用する。測地線距離モジュールは、幾何学的および/または位相的特性を確保しつつ、最先端の性能を達成するために使用できることを示す。
論文参考訳（メタデータ） (2023-06-28T11:24:51Z)
Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-04-08T06:35:25Z)
GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文参考訳（メタデータ） (2022-11-30T06:02:01Z)
Intrinsic dimension estimation for discrete metrics [65.5438227932088]
本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
論文参考訳（メタデータ） (2022-07-20T06:38:36Z)
A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文参考訳（メタデータ） (2021-12-17T11:47:45Z)
Neural Topological SLAM for Visual Navigation [112.73876869904]
意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
論文参考訳（メタデータ） (2020-05-25T17:56:29Z)
Cortical surface registration using unsupervised learning [8.57142014602892]
非剛性皮質登録は、ヒト大脳皮質の幾何学的複雑さのために重要かつ困難な課題である。球面を2次元平面に投影することで生じる歪みにより,近年の学習に基づく表面面の手法は粗悪な結果をもたらす。 SphereMorphは、これらの問題に対処するディープネットワークを用いた皮質表面の微分型登録フレームワークである。
論文参考訳（メタデータ） (2020-04-09T15:59:13Z)

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。