論文の概要: Decoding Neural Activity to Assess Individual Latent State in
Ecologically Valid Contexts
- arxiv url: http://arxiv.org/abs/2304.09050v1
- Date: Tue, 18 Apr 2023 15:15:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 14:11:26.096013
- Title: Decoding Neural Activity to Assess Individual Latent State in
Ecologically Valid Contexts
- Title(参考訳): 生態学的に有効な文脈における個々の潜在状態を評価するための神経活動のデコード
- Authors: Stephen M. Gordon, Jonathan R. McDaniel, Kevin W. King, Vernon J.
Lawhern, Jonathan Touryan
- Abstract要約: 2つの高度に制御された実験室のパラダイムからのデータを用いて、2つの異なるドメイン一般化モデルを訓練する。
我々は、下層の潜伏状態と関連する神経活動パターンを推定する。
- 参考スコア(独自算出の注目度): 1.1059590443280727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There exist very few ways to isolate cognitive processes, historically
defined via highly controlled laboratory studies, in more ecologically valid
contexts. Specifically, it remains unclear as to what extent patterns of neural
activity observed under such constraints actually manifest outside the
laboratory in a manner that can be used to make an accurate inference about the
latent state, associated cognitive process, or proximal behavior of the
individual. Improving our understanding of when and how specific patterns of
neural activity manifest in ecologically valid scenarios would provide
validation for laboratory-based approaches that study similar neural phenomena
in isolation and meaningful insight into the latent states that occur during
complex tasks. We argue that domain generalization methods from the
brain-computer interface community have the potential to address this
challenge. We previously used such an approach to decode phasic neural
responses associated with visual target discrimination. Here, we extend that
work to more tonic phenomena such as internal latent states. We use data from
two highly controlled laboratory paradigms to train two separate
domain-generalized models. We apply the trained models to an ecologically valid
paradigm in which participants performed multiple, concurrent driving-related
tasks. Using the pretrained models, we derive estimates of the underlying
latent state and associated patterns of neural activity. Importantly, as the
patterns of neural activity change along the axis defined by the original
training data, we find changes in behavior and task performance consistent with
the observations from the original, laboratory paradigms. We argue that these
results lend ecological validity to those experimental designs and provide a
methodology for understanding the relationship between observed neural activity
and behavior during complex tasks.
- Abstract(参考訳): より生態学的に有効な文脈において、歴史的に高度に制御された実験室研究によって定義された認知過程を分離する方法は非常に少ない。
特に、そのような制約の下で観察される神経活動のパターンが、潜伏状態、関連する認知過程、または個人の近位行動に関する正確な推論に使用されるように、実際に実験室の外に現れるかは、まだ不明である。
神経活動のいつ、どのように特定のパターンが生態学的に有効なシナリオに現れるかを理解することで、同様の神経現象を分離して研究する実験室ベースのアプローチの検証と、複雑なタスク中に発生する潜在状態に対する意味のある洞察を提供するでしょう。
我々は、脳-コンピュータインタフェースコミュニティのドメイン一般化手法が、この問題に対処する可能性を持っていると論じる。
我々は以前、視覚的標的識別に関連する失語症性神経反応をデコードするためにそのようなアプローチを用いた。
ここでは、その研究を内部潜伏状態のようなよりトニックな現象にまで拡張する。
2つの高度に制御された実験室のパラダイムからのデータを用いて、2つのドメイン一般化モデルを訓練する。
学習したモデルを環境に有効なパラダイムに適用し,複数の運転関連タスクを行った。
トレーニング済みモデルを用いて、基礎となる潜伏状態と関連する神経活動パターンの推定を導出する。
重要なことに、神経活動のパターンが元のトレーニングデータで定義された軸に沿って変化すると、元の実験室のパラダイムからの観察と一致した行動とタスクのパフォーマンスの変化が見つかる。
これらの結果は、これらの実験設計に生態学的妥当性を与え、複雑な作業における観察された神経活動と行動の関係を理解するための方法論を提供する。
関連論文リスト
- Neural Population Geometry and Optimal Coding of Tasks with Shared
Latent Structure [4.490493754303233]
我々は,多タスク学習問題において,神経集団の活動のメソスコピック統計と一般化性能を関連付ける理論を開発した。
実験により得られた因子化(あるいは非絡み合い)表現が最適解として自然に現れることを示す。
続いて、データが不足している場合、最適なコードは情報に富んだ潜伏変数を圧縮せず、データが豊富であれば、最適なコードは状態空間にこの情報を拡大することを示す。
論文 参考訳(メタデータ) (2024-02-26T17:39:23Z) - Dynamic planning in hierarchical active inference [0.0]
人間の脳が認知決定に関連する運動軌跡を推論し、導入する能力について述べる。
この研究は、ニューラルネットワークと強化学習を中心とした従来の見解とは距離を置き、アクティブ推論においてまだ探索されていない方向に向かっている。
論文 参考訳(メタデータ) (2024-02-18T17:32:53Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳(メタデータ) (2022-03-03T17:19:12Z) - 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) - Active Inference in Robotics and Artificial Agents: Survey and
Challenges [51.29077770446286]
我々は、状態推定、制御、計画、学習のためのアクティブ推論の最先端理論と実装についてレビューする。
本稿では、適応性、一般化性、堅牢性の観点から、その可能性を示す関連する実験を紹介する。
論文 参考訳(メタデータ) (2021-12-03T12:10:26Z) - 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) - Approximating Attributed Incentive Salience In Large Scale Scenarios. A
Representation Learning Approach Based on Artificial Neural Networks [5.065947993017158]
インセンティブ・サリエンス属性による潜在状態を近似するための,人工知能ニューラルネットワーク(ANN)に基づく手法を提案する。
我々は,大規模時系列データセットを用いて,個人と一連のビデオゲームの相互作用の持続時間と強度を推定するANNを設計した。
論文 参考訳(メタデータ) (2021-08-03T20:03:21Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳(メタデータ) (2021-07-10T19:02:27Z) - On the Evolution of Neuron Communities in a Deep Learning Architecture [0.7106986689736827]
本稿では,ディープラーニングに基づく分類モデルのニューロン活性化パターンについて検討する。
コミュニティの品質(モジュラリティ)とエントロピーの両方が、ディープラーニングモデルのパフォーマンスと密接に関連していることを示す。
論文 参考訳(メタデータ) (2021-06-08T21:09:55Z) - Developing Constrained Neural Units Over Time [81.19349325749037]
本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。
ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。
提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
論文 参考訳(メタデータ) (2020-09-01T09:07:25Z)
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。