論文の概要: Inpainting the Neural Picture: Inferring Unrecorded Brain Area Dynamics from Multi-Animal Datasets

• arxiv url: http://arxiv.org/abs/2510.11924v1
• Date: Mon, 13 Oct 2025 20:45:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 21:19:14.960154
• Title: Inpainting the Neural Picture: Inferring Unrecorded Brain Area Dynamics from Multi-Animal Datasets
• Title（参考訳）: ニューラル・ピクチャー・ピクチャーの応用:マルチアニメーション・データセットから記録されていない脳領域のダイナミクスを推定する
• Authors: Ji Xia, Yizi Zhang, Shuqi Wang, Genevera I. Allen, Liam Paninski, Cole Lincoln Hurwitz, Kenneth D. Miller,
• Abstract要約: 我々は、記録されていない脳領域のダイナミクスを推測するためのマスク付きオートエンコーディングアプローチであるNeuroPaintを紹介した。 記録された領域の重複部分集合を持つ動物を訓練することで、NeuroPaintは個人間で共有された構造に基づいて、行方不明領域の活動を再構築することを学ぶ。 実験結果から, 部分的な観察により動物全体にわたって訓練されたモデルが, 記録されていない領域のダイナミックスをインペイントできることが示唆された。
• 参考スコア（独自算出の注目度）: 10.096134908121904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Characterizing interactions between brain areas is a fundamental goal of systems neuroscience. While such analyses are possible when areas are recorded simultaneously, it is rare to observe all combinations of areas of interest within a single animal or recording session. How can we leverage multi-animal datasets to better understand multi-area interactions? Building on recent progress in large-scale, multi-animal models, we introduce NeuroPaint, a masked autoencoding approach for inferring the dynamics of unrecorded brain areas. By training across animals with overlapping subsets of recorded areas, NeuroPaint learns to reconstruct activity in missing areas based on shared structure across individuals. We train and evaluate our approach on synthetic data and two multi-animal, multi-area Neuropixels datasets. Our results demonstrate that models trained across animals with partial observations can successfully in-paint the dynamics of unrecorded areas, enabling multi-area analyses that transcend the limitations of any single experiment.
• Abstract（参考訳）: 脳領域間の相互作用を特徴づけることは、システム神経科学の基本的な目標である。 このような分析は、同時に記録された領域でも可能であるが、単一の動物や記録セッション内で関心のある領域のすべての組み合わせを観察することはまれである。 マルチアニマルデータセットを活用して、マルチエリアインタラクションをよりよく理解するには、どうすればよいのか? 大規模・マルチアニマルモデルにおける最近の進歩に基づき,未記録脳領域のダイナミクスを推定するためのマスク付き自動符号化手法であるNeuroPaintを導入する。 記録された領域の重複部分集合を持つ動物を訓練することで、NeuroPaintは個人間で共有された構造に基づいて、行方不明領域の活動を再構築することを学ぶ。 我々は、合成データと2つのマルチアニマル・マルチエリアニューロピクセルデータセットに対するアプローチを訓練し、評価する。 実験結果から, 半観察で訓練した動物を対象とするモデルを用いて, 記録されていない領域の動態を解析し, 単一実験の限界を超越したマルチエリア解析が可能であることが示唆された。

関連論文リスト

• Neural Encoding and Decoding at Scale [42.33285735011587]
  NEDS(Neural and Decoding at Scale)を実現するマルチモーダルマルチタスクモデルを提案する。 私たちのアプローチの中心は、神経、行動、内部モダリティ、および相互モダリティマスキングを交互に交互に行う、新しいマルチタスクマスキング戦略です。 NEDSは、複数動物データに基づいて事前訓練された後、新しい動物に微調整された際に、符号化と復号の両方の最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-11T02:06:20Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Cetacean Translation Initiative: a roadmap to deciphering the communication of sperm whales [97.41394631426678]
  最近の研究では、非ヒト種における音響コミュニケーションを分析するための機械学習ツールの約束を示した。 マッコウクジラの大量生物音響データの収集と処理に必要な重要な要素について概説する。 開発された技術能力は、非人間コミュニケーションと動物行動研究を研究する幅広いコミュニティにおいて、クロス応用と進歩をもたらす可能性が高い。
  論文  参考訳（メタデータ） (2021-04-17T18:39:22Z)
• Muti-view Mouse Social Behaviour Recognition with Deep Graphical Model [124.26611454540813]
  マウスの社会的行動分析は神経変性疾患の治療効果を評価する貴重なツールである。 マウスの社会行動の豊かな記述を創出する可能性から、ネズミの観察にマルチビュービデオ記録を使用することは、ますます注目を集めている。 本稿では,ビュー固有のサブ構造とビュー共有サブ構造を協調的に学習する,新しい多視点潜在意識・動的識別モデルを提案する。
  論文  参考訳（メタデータ） (2020-11-04T18:09:58Z)

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。