論文の概要: Estimating Neural Representation Alignment from Sparsely Sampled Inputs and Features

• arxiv url: http://arxiv.org/abs/2502.15104v2
• Date: Mon, 24 Feb 2025 23:35:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 11:58:57.970533
• Title: Estimating Neural Representation Alignment from Sparsely Sampled Inputs and Features
• Title（参考訳）: スパースサンプリング入力と特徴からのニューラル表現アライメントの推定
• Authors: Chanwoo Chun, Abdulkadir Canatar, SueYeon Chung, Daniel D. Lee,
• Abstract要約: 入力と特徴サンプリングの両方を補正する新しい推定器を導入する。 脳から脳へのアライメントとモデルから脳へのアライメントの評価に本手法を用いた。
• 参考スコア（独自算出の注目度）: 17.44935381873858
• License:
• Abstract: In both artificial and biological systems, the centered kernel alignment (CKA) has become a widely used tool for quantifying neural representation similarity. While current CKA estimators typically correct for the effects of finite stimuli sampling, the effects of sampling a subset of neurons are overlooked, introducing notable bias in standard experimental scenarios. Here, we provide a theoretical analysis showing how this bias is affected by the representation geometry. We then introduce a novel estimator that corrects for both input and feature sampling. We use our method for evaluating both brain-to-brain and model-to-brain alignments and show that it delivers reliable comparisons even with very sparsely sampled neurons. We perform within-animal and across-animal comparisons on electrophysiological data from visual cortical areas V1, V4, and IT data, and use these as benchmarks to evaluate model-to-brain alignment. We also apply our method to reveal how object representations become progressively disentangled across layers in both biological and artificial systems. These findings underscore the importance of correcting feature-sampling biases in CKA and demonstrate that our bias-corrected estimator provides a more faithful measure of representation alignment. The improved estimates increase our understanding of how neural activity is structured across both biological and artificial systems.
• Abstract（参考訳）: 人工システムと生物学的システムの両方において、中枢核アライメント(CKA)は神経表現の類似性を定量化するツールとして広く使われている。 現在のCKA推定器は、通常有限刺激サンプリングの効果を補正するが、ニューロンのサブセットをサンプリングする効果は見落とされ、標準的な実験シナリオでは顕著なバイアスが生じる。 ここでは、このバイアスが表現幾何学によってどのように影響を受けるかを示す理論的解析を行う。 次に、入力と特徴サンプリングの両方を補正する新しい推定器を導入する。 脳から脳へのアライメントとモデルから脳へのアライメントの評価に本手法を用いて,脳から脳へのアライメントの評価を行った。 我々は,視覚皮質領域V1,V4,ITデータの電気生理学的データについて,動物内および動物間比較を行い,それらをベンチマークとして,モデルと脳のアライメントを評価する。 また,本手法を用いて,生物・人工両方の層にオブジェクト表現が徐々に絡み合わなくなっていくことを明らかにする。 これらの結果は,CKAにおける特徴サンプリングバイアスの補正の重要性を浮き彫りにして,偏差補正推定器がより忠実な表現アライメント尺度を提供することを示す。 改善された推定値により、神経活動が生体系と人工系の両方でどのように構成されているかの理解が高まります。

関連論文リスト

• Correcting Biased Centered Kernel Alignment Measures in Biological and Artificial Neural Networks [4.437949196235149]
  Centred Kernel Alignment (CKA)は、生物と人工ニューラルネットワーク(ANN)のアクティベーションを比較するための一般的な指標として最近登場した。 本稿では,ニューラルネットワークのアライメント指標としてCKAを使用する場合,コミュニティが考慮すべき課題について述べる。
  論文  参考訳（メタデータ） (2024-05-02T05:27:12Z)
• Interpretable statistical representations of neural population dynamics and geometry [4.459704414303749]
  そこで我々は,manifold dynamics を局所流れ場に分解し,それらを共通潜在空間にマッピングする表現学習手法 MARBLE を提案する。 シミュレーションされた非線形力学系,リカレントニューラルネットワーク,および霊長類および歯列類からの実験的単一ニューロン記録において,創発的低次元潜伏表現が発見された。 これらの表現はニューラルネットワークや動物間で一貫性があり、認知計算の堅牢な比較を可能にする。
  論文  参考訳（メタデータ） (2023-04-06T21:11:04Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Drop, Swap, and Generate: A Self-Supervised Approach for Generating Neural Activity [33.06823702945747]
  我々はSwap-VAEと呼ばれる神経活動の不整合表現を学習するための新しい教師なしアプローチを導入する。 このアプローチは、生成モデリングフレームワークとインスタンス固有のアライメント損失を組み合わせたものです。 我々は、行動に関連付けられた関連する潜在次元に沿って、ニューラルネットワークをアンタングルする表現を構築することが可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-03T16:39:43Z)
• 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)
• Prediction of progressive lens performance from neural network simulations [62.997667081978825]
  本研究の目的は,畳み込みニューラルネットワーク(CNN)に基づく視覚的視力(VA)予測の枠組みを提案することである。 提案する総合シミュレーションツールは主観的視覚性能の正確なモデルとして機能することが示されている。
  論文  参考訳（メタデータ） (2021-03-19T14:51:02Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Leveraging both Lesion Features and Procedural Bias in Neuroimaging: An Dual-Task Split dynamics of inverse scale space [21.05070956384346]
  病変の予測と選択は、ボクセルによる神経画像解析において2つの重要な課題である。 本稿では, 神経画像データの特徴/語彙は, 病変特徴, 手続きバイアス, ヌル特徴の3つの部分から構成されることを示す。 病変の特徴を安定的に選択し,手続き的バイアスを予測に活用するために,反復アルゴリズム(GSplit LBI)を提案する。 本モデルの有効性とメリットは,予測結果の改善と,視覚化された手続きバイアスと病変の特徴の解釈可能性によって示される。
  論文  参考訳（メタデータ） (2020-07-17T03:41:48Z)
• A Neuro-AI Interface for Evaluating Generative Adversarial Networks [11.570606002205153]
  神経スコア(Neuroscore)は、GANのパフォーマンスを評価する指標である。 ニューロスコアは,(1)人間の判断と整合性が高いこと,(2)より少ないサンプル数を必要とすること,(3)画像の品質をGANベースでランク付けできること,など,現在の評価指標よりも優れた性能を有する。
  論文  参考訳（メタデータ） (2020-03-05T17:53:43Z)

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。