論文の概要: Unsupervised learning of multiscale switching dynamical system models from multimodal neural data

• arxiv url: http://arxiv.org/abs/2512.12881v1
• Date: Sun, 14 Dec 2025 23:49:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.480405
• Title: Unsupervised learning of multiscale switching dynamical system models from multimodal neural data
• Title（参考訳）: マルチモーダルニューラルネットワークを用いたマルチスケールスイッチング力学系の教師なし学習
• Authors: DongKyu Kim, Han-Lin Hsieh, Maryam M. Shanechi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.714583452862024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural population activity often exhibits regime-dependent non-stationarity in the form of switching dynamics. Learning accurate switching dynamical system models can reveal how behavior is encoded in neural activity. Existing switching approaches have primarily focused on learning models from a single neural modality, either continuous Gaussian signals or discrete Poisson signals. However, multiple neural modalities are often recorded simultaneously to measure different spatiotemporal scales of brain activity, and all these modalities can encode behavior. Moreover, regime labels are typically unavailable in training data, posing a significant challenge for learning models of regime-dependent switching dynamics. To address these challenges, we develop a novel unsupervised learning algorithm that learns the parameters of switching multiscale dynamical system models using only multiscale neural observations. We demonstrate our method using both simulations and two distinct experimental datasets with multimodal spike-LFP observations during different motor tasks. We find that our switching multiscale dynamical system models more accurately decode behavior than switching single-scale dynamical models, showing the success of multiscale neural fusion. Further, our models outperform stationary multiscale models, illustrating the importance of tracking regime-dependent non-stationarity in multimodal neural data. The developed unsupervised learning framework enables more accurate modeling of complex multiscale neural dynamics by leveraging information in multimodal recordings while incorporating regime switches. This approach holds promise for improving the performance and robustness of brain-computer interfaces over time and for advancing our understanding of the neural basis of behavior.
• Abstract（参考訳）: 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。 力学系モデルの正確なスイッチングを学習することで、神経活動において振る舞いがどのようにコード化されているかを明らかにすることができる。 既存のスイッチングアプローチは主に、連続ガウス信号または離散ポアソン信号のどちらかの1つのニューラルモダリティからモデルを学ぶことに焦点を当てている。 しかし、複数のニューラルモダリティが同時に記録され、異なる時空間スケールの脳活動を測定する。 さらに、レギュラーラベルはトレーニングデータでは利用できないことが多く、レギュラー依存のスイッチングダイナミクスのモデルを学ぶ上で重要な課題となっている。 これらの課題に対処するために、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。 シミュレーションと2つの異なる実験データセットを用いて,異なる運動課題におけるマルチモーダルスパイク-LFP観測を行った。 マルチスケールの力学系モデルに切り替えると、単一スケールの力学系モデルに切り替えるよりも、より正確に振る舞いを復号し、マルチスケールのニューラルフュージョンの成功を示す。 さらに、我々のモデルは定常的マルチスケールモデルよりも優れており、マルチモーダル・ニューラルデータにおける状態に依存しない非定常性を追跡することの重要性が示される。 開発した非教師なし学習フレームワークは,マルチモーダル記録における情報を活用することで,複雑なマルチスケールニューラルダイナミクスのより正確なモデリングを可能にする。 このアプローチは、時間とともに脳とコンピュータのインターフェースの性能と堅牢性を改善し、行動の神経基盤の理解を深めることを約束する。

関連論文リスト

• Dynamical modeling of nonlinear latent factors in multiscale neural activity with real-time inference [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-13T21:20:21Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  本研究では,CDL(Continuous Dynamics Learning)の問題,タスク構成の検証,既存手法の適用性について検討する。 本稿では、LG-ODEとサブネットワーク学習の長所をモデムスイッチングモジュールと統合したモードスイッチンググラフODE(MS-GODE)モデルを提案する。 CDLのための生体動態システムの新しいベンチマーク、Bio-CDLを構築し、異なるダイナミクスを持つ多様なシステムを特徴付ける。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Decomposed Linear Dynamical Systems (dLDS) for learning the latent components of neural dynamics [6.829711787905569]
  本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。 我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。 連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
  論文  参考訳（メタデータ） (2022-06-07T02:25:38Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Dynamic Neural Diversification: Path to Computationally Sustainable Neural Networks [68.8204255655161]
  訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。 学習過程において隠れた層内のニューロンの多様性を探索する。 ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2021-09-20T15:12:16Z)
• Neural Hybrid Automata: Learning Dynamics with Multiple Modes and Stochastic Transitions [36.81150424798492]
  我々は,モード数やモード間遷移のダイナミクスについて事前知識のないSHSダイナミクスを学習するためのレシピであるNeural Hybrid Automata (NHAs)を紹介した。 NHAは、正規化フロー、ニューラル微分方程式、自己超越に基づく体系的推論手法を提供する。 遷移を伴うシステムにおけるモードリカバリやフローラーニング,階層型ロボットコントローラのエンドツーエンド学習など,さまざまなタスクにおけるNHAについて紹介する。
  論文  参考訳（メタデータ） (2021-06-08T08:04:39Z)
• MagNet: Discovering Multi-agent Interaction Dynamics using Neural Network [11.285833408524708]
  MagNetはニューラルネットワークベースのマルチエージェントインタラクションモデルである。 マルチエージェントシステムのコアダイナミクスを観測から発見するように訓練されている。 エージェント固有のパラメータを学習し、正確な予測を保証するために、オンラインで調整される。
  論文  参考訳（メタデータ） (2020-01-24T13:41:01Z)

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。