論文の概要: Self-Supervised Discovery of Neural Circuits in Spatially Patterned Neural Responses with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2509.17174v1
• Date: Sun, 21 Sep 2025 17:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.147271
• Title: Self-Supervised Discovery of Neural Circuits in Spatially Patterned Neural Responses with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットを用いた空間的パターン付きニューラル応答における自己教師付きニューラルサーキットの発見
• Authors: Kijung Yoon,
• Abstract要約: 本研究では,ニューラルネットワークの動作を同時に予測し,遅延接続性を推定するグラフベースのニューラル推論モデルを提案する。 我々のモデルは、補助ノードを介して観測されていないニューロンを許容し、部分的に観察された回路での推論を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Inferring synaptic connectivity from neural population activity is a fundamental challenge in computational neuroscience, complicated by partial observability and mismatches between inference models and true circuit dynamics. In this study, we propose a graph-based neural inference model that simultaneously predicts neural activity and infers latent connectivity by modeling neurons as interacting nodes in a graph. The architecture features two distinct modules: one for learning structural connectivity and another for predicting future spiking activity via a graph neural network (GNN). Our model accommodates unobserved neurons through auxiliary nodes, allowing for inference in partially observed circuits. We evaluate this approach using synthetic data from ring attractor networks and real spike recordings from head direction cells in mice. Across a wide range of conditions, including varying recurrent connectivity, external inputs, and incomplete observations, our model consistently outperforms standard baselines, resolving spurious correlations more effectively and recovering accurate weight profiles. When applied to real data, the inferred connectivity aligns with theoretical predictions of continuous attractor models. These results highlight the potential of GNN-based models to infer latent neural circuitry through self-supervised structure learning, while leveraging the spike prediction task to flexibly link connectivity and dynamics across both simulated and biological neural systems.
• Abstract（参考訳）: 神経集団活動からシナプス接続を推定することは、部分観測可能性と推論モデルと真の回路力学のミスマッチによって複雑化する計算神経科学の基本的な課題である。 本研究では,ニューロンをグラフ内の相互作用ノードとしてモデル化することにより,同時に神経活動を予測するグラフベースニューラルネットワークモデルを提案する。 アーキテクチャには2つの異なるモジュールがある。ひとつは構造的な接続性を学ぶためのもので、もうひとつはグラフニューラルネットワーク(GNN)を介して将来のスパイク活動を予測するためのものだ。 我々のモデルは、補助ノードを介して観測されていないニューロンを許容し、部分的に観察された回路での推論を可能にする。 本手法は,マウスの頭部細胞からのリングアトラクタネットワークからの合成データと実際のスパイク記録を用いて評価する。 様々なリカレント接続、外部入力、不完全な観測を含む幅広い条件において、我々のモデルは標準ベースラインを一貫して上回り、スプリアス相関をより効果的に解決し、正確なウェイトプロファイルを復元する。 実データに適用すると、推論された接続は連続的なアトラクタモデルの理論的予測と一致する。 これらの結果は、自己教師付き構造学習を通じて潜伏神経回路を推定するGNNベースのモデルの可能性を強調し、スパイク予測タスクを活用して、シミュレーションと生体両方の神経システム間の接続性とダイナミクスを柔軟にリンクする。

関連論文リスト

• Impact of Neuron Models on Spiking Neural Networks performance. A Complexity Based Classification Approach [0.0]
  本研究では,ニューロンモデルの選択と学習規則がスパイキングニューラルネットワーク(SNN)の分類性能に与える影響について検討する。 我々は、スパイクタイピング依存的可塑性(STDP)、テンポトロン、報酬変調更新など、複数の学習ルールで生物学的にインスパイアされたニューロンモデルを比較した。 この研究の新たな要素は、複雑性に基づく決定機構を評価パイプラインに統合することである。
  論文  参考訳（メタデータ） (2025-08-24T19:46:59Z)
• Latent Graph Learning in Generative Models of Neural Signals [0.6774024053289015]
  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。
  論文  参考訳（メタデータ） (2025-08-22T20:19:56Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Graph-Based Representation Learning of Neuronal Dynamics and Behavior [2.3859858429583665]
  本稿では,時間変動ニューロン接続をモデル化する新しいフレームワークTAVRNNを紹介する。 TAVRNNは、解釈可能な集団レベルの表現を維持しながら、単一単位レベルで潜伏ダイナミクスを学習する。 TAVRNNは,(1)自由行動ラットの電気生理学的データ,(2)到達作業中の霊長類体性感覚皮質記録,(3)仮想ゲーム環境と相互作用するDishBrainプラットフォーム内の生物学的ニューロンの3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• Decoding Neuronal Networks: A Reservoir Computing Approach for Predicting Connectivity and Functionality [0.0]
  我々のモデルは神経培養の電気生理学的測定から得られたデータを解読する。 特に、ネットワーク接続マップの予測において、クロスコリレーションやトランスファーエントロピーのような一般的な手法よりも優れています。
  論文  参考訳（メタデータ） (2023-11-06T14:28:11Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• 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)
• 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)

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。