論文の概要: Neuronal Temporal Filters as Normal Mode Extractors

• arxiv url: http://arxiv.org/abs/2401.03248v1
• Date: Sat, 6 Jan 2024 16:10:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 19:36:57.866709
• Title: Neuronal Temporal Filters as Normal Mode Extractors
• Title（参考訳）: 正常モード抽出器としてのニューロン時間フィルター
• Authors: Siavash Golkar, Jules Berman, David Lipshutz, Robert Mihai Haret, Tim Gollisch, and Dmitri B. Chklovskii
• Abstract要約: 我々は、スカラー時系列入力の将来を予測するニューロンを考慮し、脳機能のコアでどのように予測されるかを検討する。 線形システムによって生成された合成データのノイズ観測において,そのようなアルゴリズムの動作を数学的に解析する。
• 参考スコア（独自算出の注目度）: 11.075435272349862
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To generate actions in the face of physiological delays, the brain must predict the future. Here we explore how prediction may lie at the core of brain function by considering a neuron predicting the future of a scalar time series input. Assuming that the dynamics of the lag vector (a vector composed of several consecutive elements of the time series) are locally linear, Normal Mode Decomposition decomposes the dynamics into independently evolving (eigen-)modes allowing for straightforward prediction. We propose that a neuron learns the top mode and projects its input onto the associated subspace. Under this interpretation, the temporal filter of a neuron corresponds to the left eigenvector of a generalized eigenvalue problem. We mathematically analyze the operation of such an algorithm on noisy observations of synthetic data generated by a linear system. Interestingly, the shape of the temporal filter varies with the signal-to-noise ratio (SNR): a noisy input yields a monophasic filter and a growing SNR leads to multiphasic filters with progressively greater number of phases. Such variation in the temporal filter with input SNR resembles that observed experimentally in biological neurons.
• Abstract（参考訳）: 生理的遅延に直面して行動を起こすためには、脳は未来を予測する必要がある。 本稿では,スカラー時系列入力の将来を予測するニューロンを考えることにより,脳機能のコアに予測がどう存在するかを検討する。 ラグベクトル(時系列の連続した要素からなるベクトル)のダイナミクスが局所線型であると仮定すると、正規モード分解はダイナミクスを独立に進化する(固有-)モードに分解し、簡単に予測できる。 本稿では,ニューロンがトップモードを学習し,関連する部分空間に入力を投影することを提案する。 この解釈の下で、ニューロンの時間フィルタは一般化固有値問題の左固有ベクトルに対応する。 線形システムによって生成された合成データのノイズ観測において,そのようなアルゴリズムの動作を数学的に解析する。 興味深いことに、時間フィルタの形状は信号対雑音比(SNR)によって異なり、ノイズ入力はモノファシックフィルタを生じ、SNRは徐々に多くの位相を持つマルチファシックフィルタを生み出す。 入力SNRによる時間フィルタのこのような変化は、生物学的ニューロンで実験的に観察されたものに似ている。

関連論文リスト

• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Sparsification and Filtering for Spatial-temporal GNN in Multivariate Time-series [0.0]
  本稿では,時空間グラフニューラルネットワークと行列フィルタリングモジュールを統合した多変量時系列予測のためのエンドツーエンドアーキテクチャを提案する。 このモジュールは、GNNに入力する前に、多変量時系列からフィルタ(逆)相関グラフを生成する。 グラフニューラルネットワークで採用されている既存のスカラー化手法とは対照的に,我々のモデルは,複雑なシステムデータに典型的な低信号-雑音比を克服するために,時系列フィルタリングを明示的に活用する。
  論文  参考訳（メタデータ） (2022-03-08T10:44:30Z)
• Efficient Neuromorphic Signal Processing with Loihi 2 [6.32784133039548]
  本稿では, 短時間フーリエ変換(STFT)を従来のSTFTの47倍の出力帯域幅で計算する方法を示す。 また、音声分類タスクのためのRFニューロンのトレーニングのためのバックプロパゲーションを用いた有望な予備結果を示す。
  論文  参考訳（メタデータ） (2021-11-05T22:37:05Z)
• Spatiotemporal Spike-Pattern Selectivity in Single Mixed-Signal Neurons with Balanced Synapses [0.27998963147546135]
  混合信号ニューロモルフィックプロセッサは推論と学習に使用できる。 ネットワーク層の実装に不均一なシナプス回路をいかに利用できるかを示す。
  論文  参考訳（メタデータ） (2021-06-10T12:04:03Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Non-parametric generalized linear model [7.936841911281107]
  統計神経科学の基本的な問題は、ニューロンが電気生理学的記録を分析して情報をエンコードする方法をモデル化することである。 人気があり広く使われているアプローチは、スパイク列車を自動回帰ポイントプロセスモデルに適合させることである。 実際には、フィルターをパラメータ化するためには、十分にリッチだが小さな時間基底関数のアンサンブルを選択する必要がある。
  論文  参考訳（メタデータ） (2020-09-02T21:54:53Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Exploiting Neuron and Synapse Filter Dynamics in Spatial Temporal Learning of Deep Spiking Neural Network [7.503685643036081]
  空間的時間特性を持つ生物解析可能なSNNモデルは複雑な力学系である。 ニューロン非線形性を持つ無限インパルス応答(IIR)フィルタのネットワークとしてSNNを定式化する。 本稿では,最適シナプスフィルタカーネルと重みを求めることにより,時空間パターンを学習できる学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-19T01:27:39Z)

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。