論文の概要: SPINT: Spatial Permutation-Invariant Neural Transformer for Consistent Intracortical Motor Decoding

• arxiv url: http://arxiv.org/abs/2507.08402v1
• Date: Fri, 11 Jul 2025 08:20:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.291857
• Title: SPINT: Spatial Permutation-Invariant Neural Transformer for Consistent Intracortical Motor Decoding
• Title（参考訳）: SPINT: Consistent Cortical Motor Decodingのための空間置換不変ニューラルトランス
• Authors: Trung Le, Hao Fang, Jingyuan Li, Tung Nguyen, Lu Mi, Amy Orsborn, Uygar Sümbül, Eli Shlizerman,
• Abstract要約: 皮質内脳-コンピュータインタフェース (Intracortical Brain-Computer Interfaces, IBCI) は、運動障害のある個人が運動機能やコミュニケーション能力を取り戻すことができるように、神経集団の活動から振る舞いを復号することを目的としている。 長期iBCIにおける重要な課題は、記録された人口の構成とチューニングプロファイルが記録セッションを通して不安定である、ニューラル記録の非定常性である。 本稿では,非順序のニューラルネットワーク上で直接動作する行動復号化フレームワークであるSPINTを紹介する。
• 参考スコア（独自算出の注目度）: 24.243269278855415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intracortical Brain-Computer Interfaces (iBCI) aim to decode behavior from neural population activity, enabling individuals with motor impairments to regain motor functions and communication abilities. A key challenge in long-term iBCI is the nonstationarity of neural recordings, where the composition and tuning profiles of the recorded populations are unstable across recording sessions. Existing methods attempt to address this issue by explicit alignment techniques; however, they rely on fixed neural identities and require test-time labels or parameter updates, limiting their generalization across sessions and imposing additional computational burden during deployment. In this work, we introduce SPINT - a Spatial Permutation-Invariant Neural Transformer framework for behavioral decoding that operates directly on unordered sets of neural units. Central to our approach is a novel context-dependent positional embedding scheme that dynamically infers unit-specific identities, enabling flexible generalization across recording sessions. SPINT supports inference on variable-size populations and allows few-shot, gradient-free adaptation using a small amount of unlabeled data from the test session. To further promote model robustness to population variability, we introduce dynamic channel dropout, a regularization method for iBCI that simulates shifts in population composition during training. We evaluate SPINT on three multi-session datasets from the FALCON Benchmark, covering continuous motor decoding tasks in human and non-human primates. SPINT demonstrates robust cross-session generalization, outperforming existing zero-shot and few-shot unsupervised baselines while eliminating the need for test-time alignment and fine-tuning. Our work contributes an initial step toward a robust and scalable neural decoding framework for long-term iBCI applications.
• Abstract（参考訳）: 皮質内脳-コンピュータインタフェース (Intracortical Brain-Computer Interfaces, IBCI) は、運動障害のある個人が運動機能やコミュニケーション能力を取り戻すことができるように、神経集団の活動から振る舞いを復号することを目的としている。 長期iBCIにおける重要な課題は、記録された人口の構成とチューニングプロファイルが記録セッションを通して不安定である、ニューラル記録の非定常性である。 既存の方法は、明示的なアライメント手法によってこの問題に対処しようとするが、それらは固定されたニューラルネットワークのアイデンティティに依存し、テストタイムラベルやパラメータの更新を必要とし、セッション間の一般化を制限し、デプロイ中にさらなる計算負荷を課す。 本研究では,空間置換不変ニューラルトランスフォーマフレームワークであるSPINTを導入する。 我々のアプローチの中心は、動的に単位固有のアイデンティティを推論し、記録セッション間で柔軟な一般化を可能にする、コンテキスト依存の新たな位置埋め込み方式である。 SPINTは、変数サイズの集団に対する推論をサポートし、テストセッションから少量のラベルなしデータを使用して、少数ショットで勾配のない適応を可能にする。 人口変動に対するモデルロバスト性をさらに促進するために、トレーニング中の人口構成の変化をシミュレートするiBCIの正規化手法である動的チャネルドロップアウトを導入する。 我々は,FALCONベンチマークから得られた3つのマルチセッションデータセット上でSPINTを評価し,ヒトおよび非ヒト霊長類における連続的な運動復号タスクについて検討した。 SPINTは、テスト時間アライメントと微調整を不要にしながら、既存のゼロショットと少数ショットのアン教師なしベースラインを上回る、堅牢なクロスセッションの一般化を示す。 私たちの研究は、長期的なiBCIアプリケーションのための堅牢でスケーラブルなニューラルデコーディングフレームワークに向けた最初のステップに貢献しています。

関連論文リスト

• Generalizable, real-time neural decoding with hybrid state-space models [12.37704585793711]
  本稿では、クロスアテンションモジュールによる個別スパイクトークン化と、再帰状態空間モデル(SSM)のバックボーンを組み合わせた、新しいハイブリッドアーキテクチャPOSSMを提案する。 サル運動タスクの皮質内復号におけるPOSSMの復号性能と推論速度を評価し,臨床応用に拡張することを示す。 これらすべてのタスクにおいて、POSSMは、最先端のトランスフォーマーに匹敵する復号精度を推論コストのごく一部で達成している。
  論文  参考訳（メタデータ） (2025-06-05T17:57:08Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。 現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。 無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• Benchmarking Neural Decoding Backbones towards Enhanced On-edge iBCI Applications [28.482461973598593]
  本研究は、エッジ展開に適した堅牢な性能と迅速な推論能力を有する最適な神経復号バックボーンを特定することを目的とする。 我々は、GRU(Gated Recurrent Unit)、Transformer、Receptance Weighted Key Value(RWKV)、Selective State Space Model(Mamba)の4つの予測モデルを評価した。 これらの結果から, GRUモデルでは十分な精度が得られたが, RWKVモデルとMambaモデルの方が推論速度とキャリブレーション速度が優れていることが示唆された。
  論文  参考訳（メタデータ） (2024-06-08T02:45:36Z)
• Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
  一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。 本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。 我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
  論文  参考訳（メタデータ） (2023-10-09T11:26:58Z)
• TANGOS: Regularizing Tabular Neural Networks through Gradient Orthogonalization and Specialization [69.80141512683254]
  TANGOS(Tbular Neural Gradient Orthogonalization and gradient)を紹介する。 TANGOSは、潜在ユニット属性上に構築された表の設定を正規化するための新しいフレームワークである。 提案手法は,他の一般的な正規化手法よりも優れ,サンプル外一般化性能の向上につながることを実証する。
  論文  参考訳（メタデータ） (2023-03-09T18:57:13Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Capturing cross-session neural population variability through self-supervised identification of consistent neuron ensembles [1.2617078020344619]
  ディープニューラルネットワークの自己教師型トレーニングは、セッション間変動の補償に利用できることを示す。 シーケンシャルな自動符号化モデルは、未来まで数日間、完全に見えない記録セッションのために、最先端の動作復号性能を維持することができる。
  論文  参考訳（メタデータ） (2022-05-19T20:00:33Z)
• Into the Unknown: Active Monitoring of Neural Networks [9.591060426695748]
  ニューラルネットワークの能動的監視のためのアルゴリズムフレームワークを提案する。 私たちのフレームワークにラップされたモニターは、ニューラルネットワークと並行して動作し、人間のユーザと対話する。 多様なベンチマークに関する実験的評価は、動的シナリオにおけるアクティブモニタリングフレームワークの利点を裏付けるものである。
  論文  参考訳（メタデータ） (2020-09-14T13:29:47Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)

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。