論文の概要: Dynamical modeling of nonlinear latent factors in multiscale neural activity with real-time inference
- arxiv url: http://arxiv.org/abs/2512.12462v1
- Date: Sat, 13 Dec 2025 21:20:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.270809
- Title: Dynamical modeling of nonlinear latent factors in multiscale neural activity with real-time inference
- Title（参考訳）: リアルタイム推論を用いたマルチスケール神経活動における非線形潜時因子の動的モデリング
- Authors: Eray Erturk, Maryam M. Shanechi,
- Abstract要約: 同時に記録された複数の時系列モードから,対象変数をリアルタイムに復号できる学習フレームワークを開発した。
提案モデルでは,時間スケールや分布の異なるモダリティにまたがる情報を集約し,サンプルの欠落を検知し,リアルタイムなターゲットデコーディングを改善する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-time decoding of target variables from multiple simultaneously recorded neural time-series modalities, such as discrete spiking activity and continuous field potentials, is important across various neuroscience applications. However, a major challenge for doing so is that different neural modalities can have different timescales (i.e., sampling rates) and different probabilistic distributions, or can even be missing at some time-steps. Existing nonlinear models of multimodal neural activity do not address different timescales or missing samples across modalities. Further, some of these models do not allow for real-time decoding. Here, we develop a learning framework that can enable real-time recursive decoding while nonlinearly aggregating information across multiple modalities with different timescales and distributions and with missing samples. This framework consists of 1) a multiscale encoder that nonlinearly aggregates information after learning within-modality dynamics to handle different timescales and missing samples in real time, 2) a multiscale dynamical backbone that extracts multimodal temporal dynamics and enables real-time recursive decoding, and 3) modality-specific decoders to account for different probabilistic distributions across modalities. In both simulations and three distinct multiscale brain datasets, we show that our model can aggregate information across modalities with different timescales and distributions and missing samples to improve real-time target decoding. Further, our method outperforms various linear and nonlinear multimodal benchmarks in doing so.
- Abstract（参考訳）: 離散スパイキング活性や連続場電位など、同時に記録された複数の神経時系列モーダルから対象変数をリアルタイムに復号することは、様々な神経科学応用において重要である。
しかし、それを行う上での大きな課題は、異なるニューラルモダリティが異なる時間スケール(サンプリングレート)と異なる確率分布を持つか、ある時間ステップで欠落する可能性があることである。
既存の非線形モデルであるマルチモーダル・ニューラル・アクティビティは、異なる時間スケールやモダリティにまたがるサンプルの欠如に対処しない。
さらに、これらのモデルの中にはリアルタイムの復号化を許さないものもある。
本稿では,リアルタイム再帰的復号化を実現するための学習フレームワークを開発した。
このフレームワークは、
1)異なる時間スケールと欠落したサンプルをリアルタイムで処理するために、モジュール内力学を学習した後、非線形に情報を集約するマルチスケールエンコーダ。
2)マルチモーダル時間的ダイナミクスを抽出し、リアルタイム再帰的復号を可能にするマルチスケール動的バックボーン
3)モーダリティ固有のデコーダは、モーダリティにまたがる様々な確率分布を考慮に入れている。
シミュレーションと3つの異なるマルチスケール脳データセットにおいて、我々のモデルは、異なる時間スケールと分布と欠落したサンプルを用いて、モダリティにまたがる情報を集約し、リアルタイムなターゲットデコーディングを改善することができることを示す。
さらに,本手法は,様々な線形および非線形マルチモーダルベンチマークよりも優れた性能を示す。
関連論文リスト
- Unsupervised learning of multiscale switching dynamical system models from multimodal neural data [2.714583452862024]
神経集団活動は、しばしばスイッチングダイナミクスの形で、状態に依存しない非定常性を示す。
我々は,マルチスケールの神経観測のみを用いて,マルチスケールの力学系モデルを切り替えるパラメータを学習する,新しい教師なし学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-12-14T23:49:12Z) - Integrating Multimodal Data for Joint Generative Modeling of Complex Dynamics [6.848555909346641]
最適復元のための様々な情報ソースを組み合わせるための効率的なフレームワークを提供する。
我々のフレームワークは完全にテキスト生成され、訓練後に、基底真理系と同じ幾何学的、時間的構造を持つ軌道を生成します。
論文 参考訳（メタデータ） (2022-12-15T15:21:28Z) - Multi-Task Dynamical Systems [5.881614676989161]
時系列データセットは、しばしば同じドメインから、異なるエンティティから、様々なシーケンスから構成される。
本稿では,マルチタスク学習(MTL)を時系列モデルに拡張する一般的な手法であるMTDSについて述べる。
MTDSをマルチタスクリカレントニューラルネットワーク(RNN)を用いて歩く人々のモーションキャプチャーデータに適用し,マルチタスク薬理力学モデルを用いた患者薬物応答データに適用した。
論文 参考訳（メタデータ） (2022-10-08T13:37:55Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Characterizing and overcoming the greedy nature of learning in
multi-modal deep neural networks [62.48782506095565]
深層ニューラルネットワークにおける学習の欲張った性質から、モデルは一つのモダリティにのみ依存する傾向にあり、他のモダリティには不適合であることを示す。
本稿では,学習中のモーダル間の条件付き学習速度のバランスをとるアルゴリズムを提案し,グリージー学習の問題に対処できることを実証する。
論文 参考訳（メタデータ） (2022-02-10T20:11:21Z) - Identifying nonlinear dynamical systems from multi-modal time series
data [3.721528851694675]
物理学、生物学、医学における経験的に観察された時系列は、一般的に、基礎となる力学系(DS)によって生成される。
完全にデータ駆動で教師なしの方法で、この潜伏するDSを再構築するための機械学習手法の収集への関心が高まっている。
本稿では,非線形DS識別とクロスモーダル予測を目的としたマルチモーダルデータ統合のための汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-04T14:59:28Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - Interpretable Deep Representation Learning from Temporal Multi-view Data [4.2179426073904995]
変動型オートエンコーダとリカレントニューラルネットワークに基づく生成モデルを提案し,多視点時間データに対する潜時ダイナミクスを推定する。
提案モデルを用いて,モデルの有効性と解釈可能性を示す3つのデータセットを解析する。
論文 参考訳（メタデータ） (2020-05-11T15:59:06Z)
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。