論文の概要: Extraction and Recovery of Spatio-Temporal Structure in Latent Dynamics
Alignment with Diffusion Model
- arxiv url: http://arxiv.org/abs/2306.06138v1
- Date: Fri, 9 Jun 2023 05:53:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 20:59:00.329083
- Title: Extraction and Recovery of Spatio-Temporal Structure in Latent Dynamics
Alignment with Diffusion Model
- Title（参考訳）: 拡散モデルを用いた潜時ダイナミクスアライメントにおける時空間構造抽出と復元
- Authors: Yule Wang, Zijing Wu, Chengrui Li, Anqi Wu
- Abstract要約: 行動関連脳計算の分野では、それらの間の劇的なシフトに対して有意義に生の神経集団活動を調整する必要がある。
神経科学研究における道具的枠組みは、試行ベースの神経集団活動は低次元の潜伏力学に依存していると仮定している。
このような問題を緩和するために拡散モデルの可能性を活用する手法を提案する。
- 参考スコア（独自算出の注目度）: 2.983784732370459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of behavior-related brain computation, it is necessary to
meaningfully align raw neural population activities against the drastic shift
between them. However, the alignment is non-trivial since most neural
population activities are in a multivariate time-series manner. An instrumental
framework within neuroscience research posits that trial-based neural
population activities rely on low-dimensional latent dynamics. Focusing on such
latent dynamics greatly facilitates the alignment procedure. Despite the
considerable progress we have reached, existing methods usually ignore the
intrinsic spatio-temporal structures within latent dynamics. Thus, those
solutions lead to poor quality in dynamics structures and overall performance
after alignment. To tackle this problem, we propose a method leveraging the
expressiveness of diffusion model to relieve such issues. Specifically, the
latent dynamics structures of the source domain are first extracted by the
diffusion model. Then, such structures are well-recovered through a maximum
likelihood alignment procedure on the target domain. We first demonstrate the
effectiveness of our proposed method on a synthetic dataset. Then, when applied
to neural recordings from primate motor cortex, under both cross-day and
inter-subject settings, our method consistently manifests its capability of
preserving the spatio-temporal structure of latent dynamics and outperforms
existing approaches in alignment quality.
- Abstract（参考訳）: 行動関連脳計算の分野では、生の神経集団活動とそれらの間の劇的なシフトを有意に調整する必要がある。
しかし、ほとんどの神経集団の活動は多変量時系列であるので、アライメントは自明ではない。
神経科学研究におけるインストゥルメンタルな枠組みは、試行ベースの神経集団活動が低次元潜在ダイナミクスに依存していることを仮定している。
このような潜在ダイナミクスに注目することはアライメント手順を大いに促進する。
私たちが到達したかなりの進歩にもかかわらず、既存の手法は通常、潜在力学の内在的な時空間構造を無視する。
したがって、これらのソリューションは、動的構造における品質の低下とアライメント後の全体的なパフォーマンスにつながる。
この問題に対処するために,拡散モデルの表現力を利用した手法を提案する。
具体的には、ソースドメインの潜在ダイナミクス構造は、まず拡散モデルによって抽出される。
そして、対象領域上の最大極大アライメント手順により、そのような構造を良好に復元する。
まず,提案手法が合成データセット上で有効であることを示す。
そして, 霊長類運動野からの神経記録に適用した場合, 日次, 対象間両方の設定の下では, 潜時運動の時空間構造を保ち, 既存のアライメント品質のアプローチよりも優れていることを示す。
関連論文リスト
- Dense ReLU Neural Networks for Temporal-spatial Model [13.8173644075917]
非パラメトリック推定にRectified Linear Unit (ReLU) アクティベーション機能を利用する完全接続深層ニューラルネットワークに着目する。
我々は、観測された測定における時間的および空間的依存に対処するため、収束率につながる非漸近境界を導出する。
我々はまた、多様体上のデータをモデル化し、高次元データの本質的な次元性を探求することで、次元性の呪いに取り組む。
論文 参考訳（メタデータ） (2024-11-15T05:30:36Z) - Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。
我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。
本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
論文 参考訳（メタデータ） (2024-07-19T15:32:15Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。
物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。
本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
論文 参考訳（メタデータ） (2023-04-25T15:53:45Z) - Expressive architectures enhance interpretability of dynamics-based
neural population models [2.294014185517203]
シミュレーションされたニューラルネットワークから潜在カオスを引き付ける際のシーケンシャルオートエンコーダ(SAE)の性能を評価する。
広帯域再帰型ニューラルネットワーク(RNN)を用いたSAEでは,真の潜在状態次元での正確な発射速度を推定できないことがわかった。
論文 参考訳（メタデータ） (2022-12-07T16:44:26Z) - Neural State-Space Modeling with Latent Causal-Effect Disentanglement [3.5507435095193896]
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。
論文 参考訳（メタデータ） (2022-09-26T03:02:20Z) - 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) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Neural Spatio-Temporal Point Processes [31.474420819149724]
本稿では,ニューラルODEを計算手法として活用した,点自明なプロセスのための新しいパラメータ化のクラスを提案する。
我々は,地震学,疫学,都市移動性,神経科学など,さまざまな文脈のデータセットを用いて,我々のモデルを検証した。
論文 参考訳（メタデータ） (2020-11-09T17:28:23Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z)
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。