論文の概要: Modeling Retinal Ganglion Cells with Neural Differential Equations

• arxiv url: http://arxiv.org/abs/2511.18014v1
• Date: Sat, 22 Nov 2025 10:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.586468
• Title: Modeling Retinal Ganglion Cells with Neural Differential Equations
• Title（参考訳）: ニューラル微分方程式を用いた網膜ガングリオン細胞のモデリング
• Authors: Kacper Dobek, Daniel Jankowski, Krzysztof Krawiec,
• Abstract要約: 本研究では,トラサラマンダーの網膜ガングリオン細胞活性をモデル化するために,LTC(Liquid Time-Constant Networks)とCfC(Coffed-form Continuous-time Networks)を探索する。 畳み込みベースラインとLSTMと比較して、どちらのアーキテクチャもより低いMAE、より高速な収束、より小さなモデルサイズ、好ましいクエリ時間を実現した。 その効率性と適応性は、視覚義肢のエッジデプロイメントなど、限られたデータと頻繁な再トレーニングのあるシナリオに適しています。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work explores Liquid Time-Constant Networks (LTCs) and Closed-form Continuous-time Networks (CfCs) for modeling retinal ganglion cell activity in tiger salamanders across three datasets. Compared to a convolutional baseline and an LSTM, both architectures achieved lower MAE, faster convergence, smaller model sizes, and favorable query times, though with slightly lower Pearson correlation. Their efficiency and adaptability make them well suited for scenarios with limited data and frequent retraining, such as edge deployments in vision prosthetics.
• Abstract（参考訳）: 本研究では,トラサラマンダーの網膜ガングリオン細胞活性を3つのデータセットでモデル化するために,LTC(Liquid Time-Constant Networks)とCfC(Coffed-form Continuous-time Networks)について検討する。 畳み込みベースラインとLSTMと比較して、どちらのアーキテクチャもより低いMAE、より高速な収束、より小さいモデルサイズ、より好ましいクエリ時間を実現したが、Pearson相関はわずかに低い。 その効率性と適応性は、視覚義肢のエッジデプロイメントなど、限られたデータと頻繁な再トレーニングのあるシナリオに適しています。

関連論文リスト

• MesaNet: Sequence Modeling by Locally Optimal Test-Time Training [67.45211108321203]
  我々は,最近提案されたMesa層の数値的に安定かつチャンクワイズ可能な並列化版を導入する。 テストタイムの最適トレーニングにより、従来のRNNよりも言語モデリングの難易度が低く、ダウンストリームベンチマークのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2025-06-05T16:50:23Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Recurrent Neural Networks for Forecasting Time Series with Multiple Seasonality: A Comparative Study [1.1602089225841632]
  複数の季節性のある時系列を予測するために、リカレントニューラルネットワーク(RNN)と異なる種類のゲート細胞を比較した。 提案したRNNは点予測と予測区間(PI)の両方を生成する。 欧州35カ国の短期電気負荷予測に関する実証研究により、新しいゲート細胞は、拡張と注意が最善であることを確認した。
  論文  参考訳（メタデータ） (2022-03-17T08:47:49Z)
• ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural Network Model for Short-Term Load Forecasting [1.4502611532302039]
  複雑な時系列(TS)のため、短期負荷予測(STLF)は困難である 本稿では,複数の季節性を扱うハイブリッド階層型ディープラーニングモデルを提案する。 指数スムージング(ES)とリカレントニューラルネットワーク(RNN)を組み合わせる。
  論文  参考訳（メタデータ） (2021-12-05T19:38:42Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Latent Time-Adaptive Drift-Diffusion Model [0.0]
  本稿では,動物実験データと一致する行動特性を示す動物学習モデルとして,潜時適応ドリフト拡散モデル(LTDDM)を提案する。 LTDDMは、リカレントニューラルネットワークよりも桁違いに高速にこれらのイベント時系列を学習できることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:18:16Z)
• Sentiment Analysis Using Simplified Long Short-term Memory Recurrent Neural Networks [1.5146765382501612]
  GOPディベートTwitterデータセット上で感情分析を行う。 学習を高速化し、計算コストと時間を短縮するために、LSTMモデルのスリムバージョンを6つの異なるパラメータで削減する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-08T12:50:10Z)
• A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for Mid-Term Electric Load Forecasting [1.1602089225841632]
  このモデルは指数的平滑化(ETS)、高度なLong Short-Term Memory(LSTM)とアンサンブルを組み合わせたものである。 欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
  論文  参考訳（メタデータ） (2020-03-29T10:53:50Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。