論文の概要: Interpretable statistical representations of neural population dynamics
and geometry
- arxiv url: http://arxiv.org/abs/2304.03376v1
- Date: Thu, 6 Apr 2023 21:11:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 13:39:27.857908
- Title: Interpretable statistical representations of neural population dynamics
and geometry
- Title(参考訳): 神経集団の動態と幾何学の解釈可能な統計表現
- Authors: Adam Gosztolai, Robert L. Peach, Alexis Arnaudon, Mauricio Barahona,
Pierre Vandergheynst
- Abstract要約: 非線型力学系を表現するための教師なし幾何学的深層学習フレームワークを提案する。
本手法は,計測軌跡に基づく力学の非バイアス比較に対して,ロバストな幾何認識あるいは幾何非依存表現を提供する。
- 参考スコア(独自算出の注目度): 4.867247349906909
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The dynamics of neuron populations during diverse tasks often evolve on
low-dimensional manifolds. However, it remains challenging to discern the
contributions of geometry and dynamics for encoding relevant behavioural
variables. Here, we introduce an unsupervised geometric deep learning framework
for representing non-linear dynamical systems based on statistical
distributions of local phase portrait features. Our method provides robust
geometry-aware or geometry-agnostic representations for the unbiased comparison
of dynamics based on measured trajectories. We demonstrate that our statistical
representation can generalise across neural network instances to discriminate
computational mechanisms, obtain interpretable embeddings of neural dynamics in
a primate reaching task with geometric correspondence to hand kinematics, and
develop a decoding algorithm with state-of-the-art accuracy. Our results
highlight the importance of using the intrinsic manifold structure over
temporal information to develop better decoding algorithms and assimilate data
across experiments.
- Abstract(参考訳): 多様なタスク中のニューロン集団のダイナミクスは、しばしば低次元多様体上で進化する。
しかし、関連する行動変数をエンコーディングするための幾何学と力学の貢献を理解することは依然として困難である。
本稿では,局所相ポートレート特徴の統計的分布に基づく非線形力学系を表現するための教師なし幾何深層学習フレームワークを提案する。
本手法は,計測軌跡に基づく力学の非バイアス比較のためのロバストな幾何認識あるいは幾何非依存表現を提供する。
提案手法は,計算機構を識別するためにニューラルネットワークのインスタンスを一般化し,手指運動学と幾何学的対応を持つ霊長類到達課題における神経力学の解釈可能な組込みを求め,最先端精度の復号アルゴリズムを開発した。
本研究は,時間的情報よりも本質的多様体構造を用い,より優れた復号アルゴリズムを開発し,実験間でデータを同化することの重要性を浮き彫りにする。
関連論文リスト
- URLOST: Unsupervised Representation Learning without Stationarity or
Topology [26.17135629579595]
定常性やトポロジに欠ける高次元データから学習する新しいフレームワークを提案する。
我々のモデルは学習可能な自己組織化層、密度調整されたスペクトルクラスタリング、マスク付きオートエンコーダを組み合わせる。
本研究は,生体視覚データ,一次視覚野からの神経記録,遺伝子発現データセットにおいて有効性を評価する。
論文 参考訳(メタデータ) (2023-10-06T18:00:02Z) - Neural Koopman prior for data assimilation [6.699751896019971]
ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。
本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。
また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
論文 参考訳(メタデータ) (2023-09-11T09:04:36Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Sparsity in Continuous-Depth Neural Networks [2.969794498016257]
重みと特徴空間が予測および基礎となる動的法則の同定に与える影響について検討する。
ヒトのモーションキャプチャーとヒト造血幹細胞RNA-seqデータからなる実世界のデータセットをキュレートする。
論文 参考訳(メタデータ) (2022-10-26T12:48:12Z) - Decomposed Linear Dynamical Systems (dLDS) for learning the latent
components of neural dynamics [6.829711787905569]
本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。
我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。
連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
論文 参考訳(メタデータ) (2022-06-07T02:25:38Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。
本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。
NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
論文 参考訳(メタデータ) (2020-04-29T01:28:32Z)
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。