論文の概要: Deep probabilistic model synthesis enables unified modeling of whole-brain neural activity across individual subjects

• arxiv url: http://arxiv.org/abs/2603.14161v1
• Date: Sun, 15 Mar 2026 00:37:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.642665
• Title: Deep probabilistic model synthesis enables unified modeling of whole-brain neural activity across individual subjects
• Title（参考訳）: 深部確率論的モデル合成は、個々の被験者全体にわたる脳全体の神経活動の統一的モデリングを可能にする
• Authors: William E. Bishop, Luuk W. Hesselink, Bernhard Englitz, Misha B. Ahrens, James E. Fitzgerald,
• Abstract要約: 本稿では、モデルに補助的なシステム特性を活用し、システムインスタンス間でデータを結合する機械学習フレームワーク、deep probabilistic model synthesis (DPMS)を導入する。 DPMSは回帰、分類、次元減少などの様々なモデルクラスを合成することができる。 幼魚ゼブラフィッシュの合成データと全脳神経活動データに基づいて単一インスタンスモデルを改善する能力を示した。
• 参考スコア（独自算出の注目度）: 1.379498191042357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many disciplines need quantitative models that synthesize experimental data across multiple instances of the same general system. For example, neuroscientists must combine data from the brains of many individual animals to understand the species' brain in general. However, typical machine learning models treat one system instance at a time. Here we introduce a machine learning framework, deep probabilistic model synthesis (DPMS), that leverages system properties auxiliary to the model to combine data across system instances. DPMS specifically uses variational inference to learn a conditional prior distribution and instance-specific posterior distributions over model parameters that respectively tie together the system instances and capture their unique structure. DPMS can synthesize a wide variety of model classes, such as those for regression, classification, and dimensionality reduction, and we demonstrate its ability to improve upon single-instance models on synthetic data and whole-brain neural activity data from larval zebrafish.
• Abstract（参考訳）: 多くの分野において、同じ汎用システムの複数のインスタンスにまたがる実験データを合成する定量的モデルが必要である。 例えば、神経科学者は、多くの個々の動物の脳からのデータを組み合わせて、種全体の脳を理解する必要がある。 しかし、典型的な機械学習モデルは、一度に1つのシステムインスタンスを扱う。 本稿では、モデルに補助的なシステム特性を活用し、システムインスタンス間でデータを結合する機械学習フレームワーク、deep probabilistic model synthesis (DPMS)を紹介する。 DPMSは、条件付き事前分布と、それぞれがシステムインスタンスを結合し、それぞれのユニークな構造をキャプチャするモデルパラメータ上のインスタンス固有の後続分布を学習するために、特に変分推論を使用する。 DPMSは, 回帰, 分類, 次元減少など, 多様なモデルクラスを合成でき, 幼生ゼブラフィッシュの単一インスタンスモデルと全脳神経活動データに基づいて, そのモデルを改善する能力を示す。

関連論文リスト

• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Training Data Protection with Compositional Diffusion Models [99.46239561159953]
  比較拡散モデル(CDM)は、異なるデータソース上で異なる拡散モデル(またはプロンプト)を訓練する手法である。 個々のモデルは、独立した、異なるタイミングで、異なる分散とドメインでトレーニングすることができる。 各モデルには、トレーニング中に露出したデータのサブセットに関する情報のみが含まれており、いくつかの形式のトレーニングデータ保護を可能にする。
  論文  参考訳（メタデータ） (2023-08-02T23:27:49Z)
• Beyond Convergence: Identifiability of Machine Learning and Deep Learning Models [0.0]
  本研究では,モデルパラメータ識別可能性の概念を,モーションセンサデータからのパラメータ推定に焦点をあてたケーススタディにより検討する。 我々は、質量、剛性、平衡脚長などの主観的パラメータを推定するために、ディープニューラルネットワークを用いる。 その結果、観測データから特定のパラメータを特定できるが、他のパラメータは未同定のままであることがわかった。
  論文  参考訳（メタデータ） (2023-07-21T03:40:53Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Supervised Parameter Estimation of Neuron Populations from Multiple Firing Events [3.2826301276626273]
  本研究では,一対のスパイキング系列とパラメータラベルからなる学習セットから,ニューロン集団のパラメータを自動的に学習する手法について,教師あり学習を通して検討した。 我々は、ニューロンモデルを用いて、異なるパラメータ設定での計算において多くのニューロン集団をシミュレートする。 次に、遺伝的検索、ベイズ逐次推定、ランダムウォーク近似モデルなどの古典的手法と比較する。
  論文  参考訳（メタデータ） (2022-10-02T03:17:05Z)
• 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)
• 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)
• Modeling Systems with Machine Learning based Differential Equations [0.0]
  微分方程式の解として,力学系の時間連続モデルの設計を提案する。 以上の結果から,本手法は合成データや実験データに有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2021-09-09T19:10:46Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。