論文の概要: Latent Diffusion for Neural Spiking Data

• arxiv url: http://arxiv.org/abs/2407.08751v1
• Date: Thu, 27 Jun 2024 13:47:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 13:48:17.412634
• Title: Latent Diffusion for Neural Spiking Data
• Title（参考訳）: ニューラルスパイクデータの潜時拡散
• Authors: Jaivardhan Kapoor, Auguste Schulz, Julius Vetter, Felix Pei, Richard Gao, Jakob H. Macke,
• Abstract要約: 本稿では,低次元潜時空間を持つ拡散型生成モデルであるLDNSについて述べる。 これらの推論された潜伏剤を用いて、表現的拡散モデル(条件付き拡散モデル)を訓練し、現実的な単一ニューロンと集団スパイキング統計を用いた神経活動のサンプル化を可能にした。 本研究では, 潜伏状態に依存しない単一ニューロンのダイナミクスを考慮した表現型観測モデルを用いて, LDNSの装備方法を示し, 生成したサンプルのリアリズムをさらに高めている。
• 参考スコア（独自算出の注目度）: 4.888417429053433
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern datasets in neuroscience enable unprecedented inquiries into the relationship between complex behaviors and the activity of many simultaneously recorded neurons. While latent variable models can successfully extract low-dimensional embeddings from such recordings, using them to generate realistic spiking data, especially in a behavior-dependent manner, still poses a challenge. Here, we present Latent Diffusion for Neural Spiking data (LDNS), a diffusion-based generative model with a low-dimensional latent space: LDNS employs an autoencoder with structured state-space (S4) layers to project discrete high-dimensional spiking data into continuous time-aligned latents. On these inferred latents, we train expressive (conditional) diffusion models, enabling us to sample neural activity with realistic single-neuron and population spiking statistics. We validate LDNS on synthetic data, accurately recovering latent structure, firing rates, and spiking statistics. Next, we demonstrate its flexibility by generating variable-length data that mimics human cortical activity during attempted speech. We show how to equip LDNS with an expressive observation model that accounts for single-neuron dynamics not mediated by the latent state, further increasing the realism of generated samples. Finally, conditional LDNS trained on motor cortical activity during diverse reaching behaviors can generate realistic spiking data given reach direction or unseen reach trajectories. In summary, LDNS simultaneously enables inference of low-dimensional latents and realistic conditional generation of neural spiking datasets, opening up further possibilities for simulating experimentally testable hypotheses.
• Abstract（参考訳）: 現代の神経科学のデータセットは、複雑な行動と同時に記録された多くのニューロンの活動との関係に関する前例のない調査を可能にする。 潜在変数モデルは、そのような記録から低次元の埋め込みをうまく取り出すことができるが、現実的なスパイクデータを生成するために、特に振る舞いに依存した方法では、依然として困難である。 本稿では、低次元潜在空間を持つ拡散に基づく生成モデルであるLDNSについて述べる: LDNSは、構造化された状態空間(S4)層を持つオートエンコーダを用いて、離散的な高次元スパイクデータを連続的な時間的潜在空間に投影する。 これらの推論された潜伏剤を用いて、表現的拡散モデル(条件付き拡散モデル)を訓練し、現実的な単一ニューロンと集団スパイキング統計を用いた神経活動のサンプル化を可能にした。 合成データからLDNSを検証し, 潜水構造, 発射速度, スパイキング統計を正確に復元する。 次に,実験音声中の人間の皮質活動を模倣する可変長データを生成することで,その柔軟性を示す。 本研究では, 潜伏状態に依存しない単一ニューロンのダイナミクスを考慮した表現型観測モデルを用いて, LDNSの装備方法を示し, 生成したサンプルのリアリズムをさらに高めている。 最後に、多様な到達行動中に運動皮質活動に訓練された条件付きDNSは、与えられた到達方向または目に見えない到達軌跡の現実的なスパイクデータを生成することができる。 要約すると、LDNSは同時に低次元の潜伏剤の推測と、ニューラルネットワークデータセットの現実的な条件生成を可能にし、実験的に検証可能な仮説をシミュレートするためのさらなる可能性を開く。

関連論文リスト

• Diffusion-Based Generation of Neural Activity from Disentangled Latent Codes [1.9544534628180867]
  本稿では,条件付き生成モデリングの進歩を生かしたニューラルデータ解析手法を提案する。 我々は,高情報付きコードに基づくニューラル・オブザーバ生成と呼ばれるモデルを時系列ニューラル・データに適用する。 VAEベースのシーケンシャルオートエンコーダと比較して、GNOCCHIは、鍵となる振る舞い変数に関してより明確に構造化され、よりゆがみのある高品質な潜在空間を学習する。
  論文  参考訳（メタデータ） (2024-07-30T21:07:09Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Latent Dynamical Implicit Diffusion Processes [0.0]
  潜在動的暗黙拡散過程(LDIDP)と呼ばれる新しい潜時変動モデルを提案する。 LDIDPは暗黙の拡散過程を利用して動的潜伏過程からサンプリングし、それに従って逐次観測サンプルを生成する。 我々は, LDIDP が潜在次元上の力学を正確に学習できることを実証した。
  論文  参考訳（メタデータ） (2023-06-12T12:43:27Z)
• STNDT: Modeling Neural Population Activity with a Spatiotemporal Transformer [19.329190789275565]
  我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。 本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:54:23Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• 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)
• Deep inference of latent dynamics with spatio-temporal super-resolution using selective backpropagation through time [15.648009434801885]
  現代の神経インタフェースは、脳回路内の100万のニューロンの活動をアクセスすることができる。 帯域幅制限はしばしば、より大きな空間サンプリング(より多くのチャンネルやピクセル)と時間サンプリングの頻度の間のトレードオフを生み出す。 ここでは、ニューロン間の関係を利用して、ニューロン時系列における超解像を得ることが可能であることを実証する。
  論文  参考訳（メタデータ） (2021-10-29T20:18:29Z)
• 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)
• Learning identifiable and interpretable latent models of high-dimensional neural activity using pi-VAE [10.529943544385585]
  本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。 我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。 人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
  論文  参考訳（メタデータ） (2020-11-09T22:00:38Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。