論文の概要: Benchmarking Probabilistic Time Series Forecasting Models on Neural Activity

• arxiv url: http://arxiv.org/abs/2510.18037v2
• Date: Wed, 22 Oct 2025 02:18:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.534967
• Title: Benchmarking Probabilistic Time Series Forecasting Models on Neural Activity
• Title（参考訳）: ニューラルアクティビティに基づく確率的時系列予測モデルのベンチマーク
• Authors: Ziyu Lu, Anna J. Li, Alexander E. Ladd, Pascha Matveev, Aditya Deole, Eric Shea-Brown, J. Nathan Kutz, Nicholas A. Steinmetz,
• Abstract要約: 神経活動予測は、ニューラルネットワークを理解し、クローズドループ制御を可能にするために重要である。 ディープラーニングは最近、文学を予測する時系列において最先端の技術を進歩させたが、その神経活動予測への応用はまだ限られている。
• 参考スコア（独自算出の注目度）: 37.174837274711415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural activity forecasting is central to understanding neural systems and enabling closed-loop control. While deep learning has recently advanced the state-of-the-art in the time series forecasting literature, its application to neural activity forecasting remains limited. To bridge this gap, we systematically evaluated eight probabilistic deep learning models, including two foundation models, that have demonstrated strong performance on general forecasting benchmarks. We compared them against four classical statistical models and two baseline methods on spontaneous neural activity recorded from mouse cortex via widefield imaging. Across prediction horizons, several deep learning models consistently outperformed classical approaches, with the best model producing informative forecasts up to 1.5 seconds into the future. Our findings point toward future control applications and open new avenues for probing the intrinsic temporal structure of neural activity.
• Abstract（参考訳）: 神経活動予測は、ニューラルネットワークを理解し、クローズドループ制御を可能にするために重要である。 ディープラーニングは最近、文学を予測する時系列における最先端の進歩を遂げているが、そのニューラルアクティビティ予測への応用は依然として限られている。 このギャップを埋めるために、2つの基礎モデルを含む8つの確率的ディープラーニングモデルを体系的に評価し、一般的な予測ベンチマークで高い性能を示した。 マウス大脳皮質からワイドフィールドイメージングによって記録された4つの古典的統計モデルと2つの神経活動のベースライン法を比較した。 予測の地平線を越えて、いくつかのディープラーニングモデルは古典的なアプローチを一貫して上回り、最良のモデルは、予測を最大1.5秒先まで生成する。 本研究は,神経活動の内在的時間構造を解明するための今後の制御応用と新たな道を開くことを目的としている。

関連論文リスト

• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Graph Deep Learning for Time Series Forecasting [25.911123797362315]
  グラフベースの予測器は、時系列コレクションにまたがるグラフの予測を条件付けすることで、ペアワイズな関係を利用する。 本チュートリアルでは,予測問題を形式化し,グラフベースの予測器の設計原理を提供する包括的方法論フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T16:26:38Z)
• USTEP: Spatio-Temporal Predictive Learning under A Unified View [62.58464029270846]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Graph Neural Networks for Improved El Ni\~no Forecasting [0.009620910657090186]
  我々は,エルニーニョ南部振動(ENSO)を長時間予測するためのグラフニューラルネットワーク(GNN)の応用を提案する。 予備的な結果は1ヶ月と3ヶ月前に予測される最先端システムよりも有望で優れています。
  論文  参考訳（メタデータ） (2020-12-02T23:40:53Z)
• Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine Learning [0.0]
  ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。 相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。 2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T15:14:13Z)

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。