論文の概要: Interpretable statistical representations of neural population dynamics
and geometry
- arxiv url: http://arxiv.org/abs/2304.03376v2
- Date: Sun, 14 May 2023 08:13:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 22:49:49.621761
- 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
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - 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) - Beyond Geometry: Comparing the Temporal Structure of Computation in
Neural Circuits with Dynamical Similarity Analysis [7.660368798066376]
本稿では、2つの系を力学のレベルで比較する新しい類似度指標を提案する。
本手法は,ニューラルネットワークにおける計算の本質的時間構造を比較検討するための扉を開く。
論文 参考訳(メタデータ) (2023-06-16T20:11:38Z) - Learning low-dimensional dynamics from whole-brain data improves task
capture [2.82277518679026]
逐次変分オートエンコーダ(SVAE)を用いたニューラルダイナミクスの低次元近似学習手法を提案する。
本手法は,従来の手法よりも精度の高い認知過程を予測できるスムーズなダイナミクスを見出す。
我々は、モータ、ワーキングメモリ、リレーショナル処理タスクを含む様々なタスクfMRIデータセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2023-05-18T18:43:13Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - 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) - GD-VAEs: Geometric Dynamic Variational Autoencoders for Learning
Nonlinear Dynamics and Dimension Reductions [0.0]
変分オートエンコーダ(VAE)に関する学習戦略を用いた一般多様体ラテント空間の非線形状態空間モデル学習手法を開発した。
パラメータ化PDEと物理における問題に触発され,非線形バーガース方程式の低次元表現,制約された機械系,反応拡散系の空間場を学習するタスクにおける本手法の性能について検討した。
論文 参考訳(メタデータ) (2022-06-10T15:23:23Z) - 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) - 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) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳(メタデータ) (2020-06-15T08:23:20Z)
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。