論文の概要: Latent Graph Learning in Generative Models of Neural Signals

• arxiv url: http://arxiv.org/abs/2508.16776v1
• Date: Fri, 22 Aug 2025 20:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.173005
• Title: Latent Graph Learning in Generative Models of Neural Signals
• Title（参考訳）: ニューラル信号生成モデルにおける潜在グラフ学習
• Authors: Nathan X. Kodama, Kenneth A. Loparo,
• Abstract要約: 時間的相互作用グラフと高次構造をニューラルネットワークから推定することは、システム神経科学のための生成モデルを構築する上で重要な問題である。 ここでは、ニューラルネットワークの生成モデルにおける潜時グラフ学習について検討する。
• 参考スコア（独自算出の注目度）: 0.6774024053289015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring temporal interaction graphs and higher-order structure from neural signals is a key problem in building generative models for systems neuroscience. Foundation models for large-scale neural data represent shared latent structures of neural signals. However, extracting interpretable latent graph representations in foundation models remains challenging and unsolved. Here we explore latent graph learning in generative models of neural signals. By testing against numerical simulations of neural circuits with known ground-truth connectivity, we evaluate several hypotheses for explaining learned model weights. We discover modest alignment between extracted network representations and the underlying directed graphs and strong alignment in the co-input graph representations. These findings motivate paths towards incorporating graph-based geometric constraints in the construction of large-scale foundation models for neural data.
• Abstract（参考訳）: 時間的相互作用グラフと高次構造をニューラルネットワークから推定することは、システム神経科学のための生成モデルを構築する上で重要な問題である。 大規模ニューラルデータの基礎モデルは、ニューラル信号の共有潜在構造を表す。 しかし、基礎モデルにおける解釈可能な潜在グラフ表現の抽出は困難であり、未解決のままである。 ここでは、ニューラルネットワークの生成モデルにおける潜時グラフ学習について検討する。 本研究は,ニューラルネットワークの数値シミュレーションを用いて,学習したモデル重みを説明するためのいくつかの仮説を検証した。 我々は,抽出したネットワーク表現と基礎となる有向グラフとの穏やかなアライメントと,共入力グラフ表現の強いアライメントを発見する。 これらの知見は, 大規模ニューラルネットワーク基盤モデルの構築において, グラフに基づく幾何的制約を取り入れることへの道のりを動機付けている。

関連論文リスト

• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• 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)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Relational representation learning with spike trains [0.0]
  本稿では,スパイクパターンの時間領域を完全に活用することで,知識グラフのスパイクトレインによる埋め込みを学習できるモデルを提案する。 以上の結果から,リレーショナル知識をスパイクベースシステムに統合することで,イベントベースコンピューティングとデータをマージして,パワフルでエネルギー効率の高い人工知能アプリケーションや推論システムを構築する可能性を明らかにする。
  論文  参考訳（メタデータ） (2022-05-18T18:00:37Z)
• Hyperbolic Graph Learning: A Comprehensive Review [56.53820115624101]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• 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)
• deepstruct -- linking deep learning and graph theory [1.4504054468850667]
  深層構造は 深層学習モデルと グラフ理論を結びつけます Deepstructは、初期グラフに基づいて作成可能なさまざまな制限を備えたディープニューラルネットワークモデルを提供する。
  論文  参考訳（メタデータ） (2021-11-12T11:58:13Z)
• Sampling and Recovery of Graph Signals based on Graph Neural Networks [44.76396026242879]
  本稿では,グラフ信号のサンプリングとリカバリのための解釈可能なグラフニューラルネットワークを提案する。 提案手法は,ニューラルネットワークの学習能力を活用して,データから様々なグラフ信号モデルを柔軟に学習することができる。 実験では,提案したグラフニューラルサンプリングおよびリカバリモジュールの効果を概説し,各モジュールが様々なグラフ構造やグラフ信号に柔軟に適応できることを見出した。
  論文  参考訳（メタデータ） (2020-11-03T01:45:41Z)
• Generalizable Machine Learning in Neuroscience using Graph Neural Networks [0.0]
  ニューラルネットワークは、ニューロンレベルの動的予測と行動状態の分類の両方において、非常によく機能することを示す。 実験の結果, グラフニューラルネットワークは構造モデルよりも優れ, 目に見えない生物の一般化に優れていた。
  論文  参考訳（メタデータ） (2020-10-16T18:09:46Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)

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。