論文の概要: Cross-Session Decoding of Neural Spiking Data via Task-Conditioned Latent Alignment

• arxiv url: http://arxiv.org/abs/2601.19963v1
• Date: Tue, 27 Jan 2026 11:06:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.612966
• Title: Cross-Session Decoding of Neural Spiking Data via Task-Conditioned Latent Alignment
• Title（参考訳）: タスク記述型潜在アライメントによるニューラルスパイクデータのクロスセッションデコーディング
• Authors: Canyang Zhao, Bolin Peng, J. Patrick Mayo, Ce Ju, Bing Liu,
• Abstract要約: 埋め込んだ電極によって記録された神経活動における断続的非定常性は、侵入的な脳-コンピュータインターフェースにとって大きな課題である。 本稿では,クロスセッション型ニューラルデコーディングのためのタスク定義ラテントアライメントフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.880285520933472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-session nonstationarity in neural activity recorded by implanted electrodes is a major challenge for invasive Brain-computer interfaces (BCIs), as decoders trained on data from one session often fail to generalize to subsequent sessions. This issue is further exacerbated in practice, as retraining or adapting decoders becomes particularly challenging when only limited data are available from a new session. To address this challenge, we propose a Task-Conditioned Latent Alignment framework (TCLA) for cross-session neural decoding. Building upon an autoencoder architecture, TCLA first learns a low-dimensional representation of neural dynamics from a source session with sufficient data. For target sessions with limited data, TCLA then aligns target latent representations to the source in a task-conditioned manner, enabling effective transfer of learned neural dynamics. We evaluate TCLA on the macaque motor and oculomotor center-out dataset. Compared to baseline methods trained solely on target-session data, TCLA consistently improves decoding performance across datasets and decoding settings, with gains in the coefficient of determination of up to 0.386 for y coordinate velocity decoding in a motor dataset. These results suggest that TCLA provides an effective strategy for transferring knowledge from source to target sessions, enabling more robust neural decoding under conditions with limited data.
• Abstract（参考訳）: 埋め込まれた電極によって記録される神経活動における断続的非定常性は、あるセッションからのデータに基づいてトレーニングされたデコーダがその後のセッションに一般化できないため、侵入的な脳-コンピュータインターフェース(BCI)にとって大きな課題である。 新しいセッションから限られたデータしか入手できない場合、デコーダのリトレーニングや適応が特に困難になるため、この問題はさらに悪化する。 この課題に対処するために、クロスセッションニューラルデコーディングのためのタスク定義ラテントアライメントフレームワーク(TCLA)を提案する。 オートエンコーダアーキテクチャに基づいて、TCLAはまず、十分なデータを持つソースセッションから、ニューラルネットワークの低次元表現を学習する。 限られたデータを持つターゲットセッションに対して、TCLAはタスク条件付きでターゲット潜在表現をソースにアライメントし、学習したニューラルネットワークの効果的な転送を可能にする。 TCLAをマカクモータとオキュロモータセンターアウトデータセットで評価した。 TCLAは、ターゲットセッションデータのみに基づいてトレーニングされたベースライン手法と比較して、データセット間のデコード性能とデコード設定を一貫して改善し、モータデータセットにおけるy座標速度デコードに対する最大0.386の判定係数が向上した。 これらの結果は、TCLAがソースからターゲットセッションへ知識を転送するための効果的な戦略を提供し、限られたデータを持つ条件下でより堅牢なニューラルデコーディングを可能にすることを示唆している。

関連論文リスト

• BrainDistill: Implantable Motor Decoding with Task-Specific Knowledge Distillation [37.98715351801447]
  大規模なデータセットで事前トレーニングされた大きなパラメータ数を持つトランスフォーマーベースのニューラルデコーダは、最近、脳-コンピュータインターフェース(BCI)タスクにおける古典的な機械学習モデルと小さなニューラルネットワークを上回っている。 本稿では, 組み込み型ニューラルデコーダ(IND)とタスク固有の知識蒸留フレームワークを統合した, 新たな組込み型モータデコードパイプラインであるBrainDistillを紹介する。
  論文  参考訳（メタデータ） (2026-01-24T23:01:43Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• SPINT: Spatial Permutation-Invariant Neural Transformer for Consistent Intracortical Motor Decoding [24.243269278855415]
  皮質内脳-コンピュータインタフェース (Intracortical Brain-Computer Interfaces, IBCI) は、運動障害のある個人が運動機能やコミュニケーション能力を取り戻すことができるように、神経集団の活動から振る舞いを復号することを目的としている。 長期iBCIにおける重要な課題は、記録された人口の構成とチューニングプロファイルが記録セッションを通して不安定である、ニューラル記録の非定常性である。 本稿では,非順序のニューラルネットワーク上で直接動作する行動復号化フレームワークであるSPINTを紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:20:19Z)
• Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
  皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。 現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。 無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
  論文  参考訳（メタデータ） (2024-09-06T17:48:44Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Deep Learning for real-time neural decoding of grasp [0.0]
  本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。 提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
  論文  参考訳（メタデータ） (2023-11-02T08:26:29Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• Learning Bayesian Sparse Networks with Full Experience Replay for Continual Learning [54.7584721943286]
  継続学習(CL)手法は、機械学習モデルが、以前にマスターされたタスクを壊滅的に忘れることなく、新しいタスクを学習できるようにすることを目的としている。 既存のCLアプローチは、しばしば、事前に確認されたサンプルのバッファを保持し、知識蒸留を行い、あるいはこの目標に向けて正規化技術を使用する。 我々は,現在および過去のタスクを任意の段階で学習するために,スパースニューロンのみを活性化し,選択することを提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:25:03Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)

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。