論文の概要: Energy-based Autoregressive Generation for Neural Population Dynamics

• arxiv url: http://arxiv.org/abs/2511.17606v1
• Date: Tue, 18 Nov 2025 07:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.287568
• Title: Energy-based Autoregressive Generation for Neural Population Dynamics
• Title（参考訳）: エネルギーを用いたニューラルポピュレーションダイナミクスのための自己回帰生成
• Authors: Ningling Ge, Sicheng Dai, Yu Zhu, Shan Yu,
• Abstract要約: 本稿では,潜在空間における時間ダイナミクスを学習するエネルギーベースのトランスフォーマーを利用した,エネルギーベースの自己回帰生成フレームワークを提案する。 EAGは、計算効率が大幅に向上し、最先端の発電品質を達成できることを示す。 これらの結果は、神経科学研究や神経工学に応用した神経集団動態に対するエネルギーベースモデリングの有効性を示す。
• 参考スコア（独自算出の注目度）: 12.867288040044501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding brain function represents a fundamental goal in neuroscience, with critical implications for therapeutic interventions and neural engineering applications. Computational modeling provides a quantitative framework for accelerating this understanding, but faces a fundamental trade-off between computational efficiency and high-fidelity modeling. To address this limitation, we introduce a novel Energy-based Autoregressive Generation (EAG) framework that employs an energy-based transformer learning temporal dynamics in latent space through strictly proper scoring rules, enabling efficient generation with realistic population and single-neuron spiking statistics. Evaluation on synthetic Lorenz datasets and two Neural Latents Benchmark datasets (MC_Maze and Area2_bump) demonstrates that EAG achieves state-of-the-art generation quality with substantial computational efficiency improvements, particularly over diffusion-based methods. Beyond optimal performance, conditional generation applications show two capabilities: generalizing to unseen behavioral contexts and improving motor brain-computer interface decoding accuracy using synthetic neural data. These results demonstrate the effectiveness of energy-based modeling for neural population dynamics with applications in neuroscience research and neural engineering. Code is available at https://github.com/NinglingGe/Energy-based-Autoregressive-Generation-for-Neural-Population-Dynamics.
• Abstract（参考訳）: 脳機能を理解することは神経科学の基本的な目標であり、治療介入や神経工学の応用に重要な意味を持つ。 計算モデリングは、この理解を加速するための定量的な枠組みを提供するが、計算効率と高忠実度モデリングの根本的なトレードオフに直面している。 この制限に対処するため、我々は、厳密な適切なスコアリングルールを通じて、潜時空間におけるエネルギーベースの変圧器学習時間ダイナミクスを活用する新しいエネルギーベースの自己回帰生成(EAG)フレームワークを導入し、現実的な人口と単一ニューロンのスパイク統計による効率的な生成を可能にした。 合成Lorenzデータセットと2つのNeural Latents Benchmarkデータセット(MC_MazeとArea2_bump)による評価は、EAGが、特に拡散に基づく手法よりも、計算効率を大幅に向上して最先端の生成品質を達成することを示した。 最適性能の他に、条件付き生成アプリケーションは、動作コンテキストの可視化と、合成ニューラルデータを用いた運動脳-コンピュータインタフェースの復号精度の向上の2つの機能を示す。 これらの結果は、神経科学研究や神経工学に応用した神経集団動態に対するエネルギーベースモデリングの有効性を示す。 コードはhttps://github.com/NinglingGe/EnergyベースのAutoregressive-Generation-for-Neural-Population-Dynamicsで公開されている。

関連論文リスト

• Pendulum Model of Spiking Neurons [0.0]
  そこで本研究では, 減衰・駆動振子の動力学に基づく生物学的刺激によるスパイキングニューロンのモデルを提案する。 本稿では,Spyke-Timing Dependent Plasticity (STDP)学習ルールにより,単一ニューロンの動的解析を行い,モデルをマルチニューロン層に拡張する。
  論文  参考訳（メタデータ） (2025-07-29T18:21:51Z)
• 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)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Integration of Calcium Imaging Traces via Deep Generative Modeling [0.0]
  スパイク推定アルゴリズムに頼らずに、カルシウムイメージング蛍光トレースから単一ニューロン表現を学習する方法を示す。 このアプローチは、バッチ効果を緩和しながら生物学的変動を保ちながら、最先端モデルよりも優れていることが判明した。 このフレームワークは、シングルニューロンダイナミクスの堅牢な可視化、クラスタリング、解釈を可能にする。
  論文  参考訳（メタデータ） (2025-01-24T16:33:52Z)
• Single Neuromorphic Memristor closely Emulates Multiple Synaptic Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
  我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。 これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
  論文  参考訳（メタデータ） (2024-02-26T15:01:54Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• STNDT: Modeling Neural Population Activity with a Spatiotemporal Transformer [19.329190789275565]
  我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。 本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:54:23Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)

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。