論文の概要: Extraction and Recovery of Spatio-Temporal Structure in Latent Dynamics
Alignment with Diffusion Models
- arxiv url: http://arxiv.org/abs/2306.06138v2
- Date: Fri, 8 Mar 2024 20:11:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 17:07:34.608420
- Title: Extraction and Recovery of Spatio-Temporal Structure in Latent Dynamics
Alignment with Diffusion Models
- 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: 行動関連脳の計算では、神経信号をその中の急激な領域に合わせる必要がある。
本研究では,拡散モデルの表現性を利用して潜在力学の固有時間構造を保存するアライメント手法であるEDDiffを提案する。
提案手法は, 潜時力学の時間的構造を保ち, 整合性, ニューラルデコード性能において, 既存の手法より優れることを示す。
- 参考スコア（独自算出の注目度）: 1.4756031289693907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of behavior-related brain computation, it is necessary to align
raw neural signals against the drastic domain shift among them. A foundational
framework within neuroscience research posits that trial-based neural
population activities rely on low-dimensional latent dynamics, thus focusing on
the latter greatly facilitates the alignment procedure. Despite this field's
progress, existing methods ignore the intrinsic spatio-temporal structure
during the alignment phase. Hence, their solutions usually lead to poor quality
in latent dynamics structures and overall performance. To tackle this problem,
we propose an alignment method ERDiff, which leverages the expressivity of the
diffusion model to preserve the spatio-temporal structure of latent dynamics.
Specifically, the latent dynamics structures of the source domain are first
extracted by a diffusion model. Then, under the guidance of this diffusion
model, such structures are well-recovered through a maximum likelihood
alignment procedure in the target domain. We first demonstrate the
effectiveness of our proposed method on a synthetic dataset. Then, when applied
to neural recordings from the non-human primate motor cortex, under both
cross-day and inter-subject settings, our method consistently manifests its
capability of preserving the spatiotemporal structure of latent dynamics and
outperforms existing approaches in alignment goodness-of-fit and neural
decoding performance.
- Abstract（参考訳）: 行動関連脳計算の分野では、生の神経信号をその間の急激な領域シフトに合わせる必要がある。
神経科学研究における基礎的な枠組みは、試行ベースの神経集団の活動が低次元の潜在性ダイナミクスに依存していることを仮定し、後者に焦点をあてることでアライメントの手順が大幅に促進される。
この分野の進歩にもかかわらず、既存の手法はアライメントフェーズ中に固有の時空間構造を無視する。
したがって、それらのソリューションは、通常、潜在ダイナミクス構造と全体的なパフォーマンスにおける品質の低下につながる。
この問題に対処するために,拡散モデルの表現性を利用して潜在力学の時空間構造を保存するアライメント手法 ERDiff 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, この拡散モデルの指導の下で, 対象領域における最大次数アライメント手順により, これらの構造をよく復元する。
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,非ヒト霊長類運動野の神経記録にクロスデイ設定とインターサブジェクト設定の両方で適用すると,潜時力学の時空間的構造を保つ能力が一貫して示され,適合性や神経デコード性能の整列における既存のアプローチよりも優れる。
関連論文リスト
- 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) - Spatial-temporal switching estimators for imaging locally concentrated
dynamics [18.73097340265486]
スイッチング線形力学系(SLDS)はそのような問題に対処するための自然なモデルである。
高パラメータ空間次元のため、基礎状態の効率的かつ正確な回復は困難である。
本稿では、動的進化が分離された局所集中型動的作用素の集合として適切にモデル化できる一般的なケースに焦点を当てる。
論文 参考訳（メタデータ） (2021-02-19T21:36:47Z) - 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。