論文の概要: Can multivariate Granger causality detect directed connectivity of a multistable and dynamic biological decision network model?
- arxiv url: http://arxiv.org/abs/2408.01528v1
- Date: Fri, 2 Aug 2024 18:40:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 19:40:03.222228
- Title: Can multivariate Granger causality detect directed connectivity of a multistable and dynamic biological decision network model?
- Title（参考訳）: 多変量グランガー因果関係は、多変数・動的生物学的決定ネットワークモデルの相互接続を検出することができるか?
- Authors: Abdoreza Asadpour, KongFatt Wong-Lin,
- Abstract要約: Granger causality (GC) は、信号間の直接影響(DC)を推定するための頑健な統計手法である。
本研究では,GCをトレーニングされたマルチスタブル生物に基づく決定ニューラルネットワークモデルにおいて,すべてのノードの時系列神経活動に適用した。
分析の結果,入力信号が密接に一致した2選択決定に挑戦すると,元のモデルのDCが容易に明らかになることがわかった。
- 参考スコア（独自算出の注目度）: 0.4450536872346657
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Extracting causal connections can advance interpretable AI and machine learning. Granger causality (GC) is a robust statistical method for estimating directed influences (DC) between signals. While GC has been widely applied to analysing neuronal signals in biological neural networks and other domains, its application to complex, nonlinear, and multistable neural networks is less explored. In this study, we applied time-domain multi-variate Granger causality (MVGC) to the time series neural activity of all nodes in a trained multistable biologically based decision neural network model with real-time decision uncertainty monitoring. Our analysis demonstrated that challenging two-choice decisions, where input signals could be closely matched, and the appropriate application of fine-grained sliding time windows, could readily reveal the original model's DC. Furthermore, the identified DC varied based on whether the network had correct or error decisions. Integrating the identified DC from different decision outcomes recovered most of the original model's architecture, despite some spurious and missing connectivity. This approach could be used as an initial exploration to enhance the interpretability and transparency of dynamic multistable and nonlinear biological or AI systems by revealing causal connections throughout different phases of neural network dynamics and outcomes.
- Abstract（参考訳）: 因果関係の抽出は、解釈可能なAIと機械学習を前進させる。
Granger causality (GC) は、信号間の直接影響(DC)を推定するための頑健な統計手法である。
GCは、生物学的ニューラルネットワークやその他の領域における神経信号の解析に広く応用されているが、その複雑で非線形で多安定なニューラルネットワークへの応用は、あまり研究されていない。
本研究では, 実時間決定不確実性モニタリングを用いた実時間多変数決定ニューラルネットワークモデルにおいて, 全ノードの時系列神経活動に時間領域多変量グランガー因果性(MVGC)を適用した。
解析の結果,入力信号が密に一致し得る2方向決定に挑戦し,より微細なスライディング時間窓の適切な適用により,元のモデルのDCが容易に明らかになることがわかった。
さらに、同定されたDCは、ネットワークが正しいかエラーかによって異なる。
異なる決定結果から識別されたDCを統合することで、いくつかの急激で欠落した接続性にもかかわらず、元のモデルのアーキテクチャの大半を回復した。
このアプローチは、ニューラルネットワークのダイナミクスと結果の異なるフェーズにわたって因果関係を明らかにすることによって、動的マルチスタブルおよび非線形生物学的またはAIシステムの解釈可能性と透明性を高めるための最初の調査として使用することができる。
関連論文リスト
- Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳（メタデータ） (2024-10-13T21:47:36Z) - Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-08-29T02:21:11Z) - A frugal Spiking Neural Network for unsupervised classification of continuous multivariate temporal data [0.0]
スパイキングニューラルネットワーク(SNN)は神経型であり、進化する膜電位を持つより生物学的に可塑性なニューロンを使用する。
本稿では,連続データにおける多変量時間パターンの完全教師なし識別と分類のために設計されたFragal Single-layer SNNを紹介する。
論文 参考訳（メタデータ） (2024-08-08T08:15:51Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - GDBN: a Graph Neural Network Approach to Dynamic Bayesian Network [7.876789380671075]
スパースDAGの学習を目的としたスコアに基づくグラフニューラルネットワーク手法を提案する。
グラフニューラルネットワークを用いた手法は,動的ベイジアンネットワーク推論を用いた他の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2023-01-28T02:49:13Z) - Physically constrained neural networks to solve the inverse problem for
neuron models [0.29005223064604074]
システム生物学とシステム神経生理学は、生体医学科学における多くの重要な応用のための強力なツールである。
ディープニューラルネットワークの分野における最近の進歩は、非線形で普遍的な近似を定式化する可能性を示している。
論文 参考訳（メタデータ） (2022-09-24T12:51:15Z) - Asymptotic-Preserving Neural Networks for multiscale hyperbolic models
of epidemic spread [0.0]
多くの状況において、感染症の空間的伝播は、多スケールのPDEによって管理される異なるスケールの個体の動きによって特徴づけられる。
複数のスケールが存在する場合、PINNの直接適用は一般的に、ニューラルネットワークの損失関数における微分モデルのマルチスケールの性質のため、結果の低下につながる。
本稿では,パンデミック拡散のマルチスケール多代謝輸送モデルのための新しいAPニューラルネットワーク(APNN)について考察する。
論文 参考訳（メタデータ） (2022-06-25T11:25:47Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - A biologically plausible neural network for multi-channel Canonical
Correlation Analysis [12.940770779756482]
皮質錐体ニューロンは、複数の神経集団から入力を受け取り、これらの入力を別々の樹状体区画に統合する。
我々は,生物学的に妥当なニューラルネットワークで実装可能なマルチチャネルCAAアルゴリズムを提案する。
生物学的信頼性のためには、ネットワークはオンライン環境で動作し、シナプス更新ルールはローカルである必要がある。
論文 参考訳（メタデータ） (2020-10-01T16:17:53Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。