論文の概要: Negative Binomial Variational Autoencoders for Overdispersed Latent Modeling

• arxiv url: http://arxiv.org/abs/2508.05423v1
• Date: Thu, 07 Aug 2025 14:15:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.898931
• Title: Negative Binomial Variational Autoencoders for Overdispersed Latent Modeling
• Title（参考訳）: 過分散潜在モデルのための負二項変分オートエンコーダ
• Authors: Yixuan Zhang, Wenxin Zhang, Hua Jiang, Quyu Kong, Feng Zhou,
• Abstract要約: 最近の研究は、ポアソン分布を用いてスパイク数をモデル化することによって生物学的にインスピレーションを得ている。 負二項分布を用いてスパイク数をカウントするVAEフレームワークの原理拡張であるNegBio-VAEを導入する。 このシフトは分散を明示的に制御し、より広範で正確な神経表現の族を解き放つ。
• 参考スコア（独自算出の注目度）: 22.62423547669558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological neurons communicate through spike trains, discrete, irregular bursts of activity that exhibit variability far beyond the modeling capacity of conventional variational autoencoders (VAEs). Recent work, such as the Poisson-VAE, makes a biologically inspired move by modeling spike counts using the Poisson distribution. However, they impose a rigid constraint: equal mean and variance, which fails to reflect the true stochastic nature of neural activity. In this work, we challenge this constraint and introduce NegBio-VAE, a principled extension of the VAE framework that models spike counts using the negative binomial distribution. This shift grants explicit control over dispersion, unlocking a broader and more accurate family of neural representations. We further develop two ELBO optimization schemes and two differentiable reparameterization strategies tailored to the negative binomial setting. By introducing one additional dispersion parameter, NegBio-VAE generalizes the Poisson latent model to a negative binomial formulation. Empirical results demonstrate this minor yet impactful change leads to significant gains in reconstruction fidelity, highlighting the importance of explicitly modeling overdispersion in spike-like activations.
• Abstract（参考訳）: 生体ニューロンはスパイクトレインを介して通信し、従来の変分オートエンコーダ(VAE)のモデリング能力を超えた、離散的で不規則な活動のバーストを発生させる。 ポアソン-VAEのような最近の研究は、ポアソン分布を用いてスパイク数をモデル化することによって生物学的にインスピレーションを与える。 しかし、それらは厳密な制約、すなわち平均と分散を課し、これは神経活動の真の確率的性質を反映しない。 本研究では、この制約に挑戦し、負の二項分布を用いてスパイク数をモデル化するVAEフレームワークの原則拡張であるNegBio-VAEを導入する。 このシフトは分散を明示的に制御し、より広範で正確な神経表現の族を解き放つ。 さらに、2つのELBO最適化スキームと、負二項設定に合わせた2つの微分可能な再パラメータ化戦略を開発する。 NegBio-VAEは別の分散パラメータを導入することにより、ポアソン潜在モデルを負の二項形式に一般化する。 実証的な結果から、この小さな変化は再建の忠実度を著しく向上させ、スパイクのようなアクティベーションの過分散を明示的にモデル化することの重要性を強調している。

関連論文リスト

• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• H-AddiVortes: Heteroscedastic (Bayesian) Additive Voronoi Tessellations [0.0]
  Heteroscedastic AddiVortesモデルは、応答変数の条件平均と分散を同時にモデル化する。 平均値の総和法と変分に対する積積算法を用いることにより、モデルは複雑で予測因子に依存した関係を捉える柔軟かつ解釈可能な手段を提供する。
  論文  参考訳（メタデータ） (2025-03-17T10:41:31Z)
• Brain-like variational inference [0.0]
  脳と機械の両方での推論は、機械学習におけるエビデンスローバウンド(ELBO)の最大化や、神経科学における変動自由エネルギー(F)の最小化によって定式化することができる(ELBO = -F)。 ここでは、ポアソン仮定の下で、F上のオンラインの自然勾配降下が、膜電位ダイナミクスを介して変動推論を行う繰り返しスパイクニューラルネットワークをもたらすことを示す。 得られたモデル、つまり反復的なポアソン変分オートエンコーダ(iP-VAE)は、エンコーダネットワークをF上の自然な勾配勾配から派生した局所的な更新に置き換える。
  論文  参考訳（メタデータ） (2024-10-25T06:00:18Z)
• A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
  ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。 本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。 また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T18:18:37Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Loss function based second-order Jensen inequality and its application to particle variational inference [112.58907653042317]
  粒子変分推論(PVI)は、後部分布の実験的近似としてモデルのアンサンブルを用いる。 PVIは、最適化されたモデルの多様性を保証するために、各モデルを反発力で反復的に更新する。 我々は,新たな一般化誤差を導出し,モデルの多様性を高めて低減できることを示す。
  論文  参考訳（メタデータ） (2021-06-09T12:13:51Z)
• Achieving Efficiency in Black Box Simulation of Distribution Tails with Self-structuring Importance Samplers [1.6114012813668934]
  本稿では,線形プログラムや整数線形プログラム,ピースワイド線形・二次目的,ディープニューラルネットワークで指定された特徴マップなど,多種多様なツールでモデル化されたパフォーマンス指標の分布を推定する,新しいImportance Smpling(IS)方式を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:37:22Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。