論文の概要: The Topology and Geometry of Neural Representations
- arxiv url: http://arxiv.org/abs/2309.11028v2
- Date: Fri, 22 Sep 2023 16:55:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 11:45:06.187307
- Title: The Topology and Geometry of Neural Representations
- Title（参考訳）: 神経表現のトポロジーと幾何学
- Authors: Baihan Lin, Nikolaus Kriegeskorte
- Abstract要約: 神経科学における中心的な問題は、知覚的および認知的内容の脳表現をどう特徴付けるかである。
従来の研究は、その表現幾何学によって脳の表現を特徴づけてきた。
本稿では,表現類似性分析の拡張であるトポロジカル表現類似性解析(tRSA)を提案する。
シミュレーションと機能的MRI(fMRI)データの両方を用いて,モデル選択の感度と特異性の観点から,この新たな統計群を評価する。
- 参考スコア（独自算出の注目度）: 15.417809900388262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A central question for neuroscience is how to characterize brain
representations of perceptual and cognitive content. An ideal characterization
should distinguish different functional regions with robustness to noise and
idiosyncrasies of individual brains that do not correspond to computational
differences. Previous studies have characterized brain representations by their
representational geometry, which is defined by the representational
dissimilarity matrix (RDM), a summary statistic that abstracts from the roles
of individual neurons (or responses channels) and characterizes the
discriminability of stimuli. Here we explore a further step of abstraction:
from the geometry to the topology of brain representations. We propose
topological representational similarity analysis (tRSA), an extension of
representational similarity analysis (RSA) that uses a family of
geo-topological summary statistics that generalizes the RDM to characterize the
topology while de-emphasizing the geometry. We evaluate this new family of
statistics in terms of the sensitivity and specificity for model selection
using both simulations and functional MRI (fMRI) data. In the simulations, the
ground truth is a data-generating layer representation in a neural network
model and the models are the same and other layers in different model instances
(trained from different random seeds). In fMRI, the ground truth is a visual
area and the models are the same and other areas measured in different
subjects. Results show that topology-sensitive characterizations of population
codes are robust to noise and interindividual variability and maintain
excellent sensitivity to the unique representational signatures of different
neural network layers and brain regions.
- Abstract（参考訳）: 神経科学の中心的な問題は、知覚的および認知的コンテンツの脳の表現をいかに特徴付けるかである。
理想的な特徴は、計算的差異に対応しない個々の脳のノイズや慣性に頑健な機能領域を区別すべきである。
これまでの研究では、個々のニューロン(または応答チャネル)の役割を抽象化し、刺激の識別性を特徴づける要約統計量である表現的相同性行列(RDM)によって定義される表現幾何学によって脳の表現を特徴付けてきた。
ここでは、幾何学から脳の表現のトポロジーまで、抽象のさらなるステップを探求する。
本稿では, rdmを一般化し, 幾何を強調しないトポロジーを特徴付けるジオトポロジカルな要約統計の族を用いた表現的類似性解析(rsa)の拡張であるtrsaを提案する。
シミュレーションと機能的MRI(fMRI)データの両方を用いて,モデル選択の感度と特異性の観点から,この新たな統計群を評価する。
シミュレーションでは、基底真理はニューラルネットワークモデルにおけるデータ生成層表現であり、モデルは異なるモデルインスタンス(異なるランダムシードから訓練)における他の層と同じである。
fMRIでは、基底真理は視覚領域であり、モデルは同一であり、他の領域は異なる被験者で測定される。
その結果,集団符号のトポロジに敏感な特徴はノイズや個人間変動に強く,異なるニューラルネットワーク層や脳領域のユニークな表現的シグネチャに対して優れた感度を維持していることがわかった。
関連論文リスト
- Topological Representational Similarity Analysis in Brains and Beyond [15.417809900388262]
この論文では、神経表現の幾何学的および位相的特性を組み合わせた新しいフレームワークであるトポロジカルRSA(tRSA)を紹介する。
tRSAは非線型単調変換を表現上の相似性に適用し、中間スケールの幾何学を維持しながら局所位相を強調する。
結果として生じる地形行列は、ノイズや個々の慣用性に頑健なモデル比較を可能にする。
論文 参考訳（メタデータ） (2024-08-21T19:02:00Z) - 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) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:29:16Z) - Semantic Brain Decoding: from fMRI to conceptually similar image
reconstruction of visual stimuli [0.29005223064604074]
本稿では,意味的・文脈的類似性にも依存する脳復号法を提案する。
我々は、自然視のfMRIデータセットを使用し、人間の視覚におけるボトムアップとトップダウンの両方のプロセスの存在にインスパイアされたディープラーニングデコードパイプラインを作成します。
視覚刺激の再現は, それまでの文献において, 本来の内容とセマンティックレベルで非常によく一致し, 芸術の状態を超越している。
論文 参考訳（メタデータ） (2022-12-13T16:54:08Z) - Representational dissimilarity metric spaces for stochastic neural
networks [4.229248343585332]
神経表現の類似性を定量化することは、深層学習と神経科学研究における長年の問題である。
形状メトリクスを一般化して表現の違いを定量化する。
神経生物学的指向型視覚格子と自然主義的なシーンはそれぞれ、訓練されていない深層ネットワーク表現と訓練された深部ネットワーク表現に類似している。
論文 参考訳（メタデータ） (2022-11-21T17:32:40Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Geometric and Topological Inference for Deep Representations of Complex
Networks [13.173307471333619]
我々は、トポロジと表現の幾何学を強調する統計のクラスを提示する。
モデル選択に使用する場合の感度と特異性の観点から,これらの統計値を評価する。
これらの新しい手法により、脳やコンピューター科学者は、脳やモデルによって学習された動的表現変換を可視化することができる。
論文 参考訳（メタデータ） (2022-03-10T17:14:14Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - Exploring The Spatial Reasoning Ability of Neural Models in Human IQ
Tests [19.338539583910023]
我々は,空間的推論に注目し,ニューラルモデルの空間的理解を探究する。
さまざまな複雑性レベルからなるデータセットを構築しました。
モデルの一般化能力に影響を与える結果と要因について分析する。
論文 参考訳（メタデータ） (2020-04-11T09:41:46Z)
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。