論文の概要: Identifying Connectivity Distributions from Neural Dynamics Using Flows

• arxiv url: http://arxiv.org/abs/2603.26506v1
• Date: Fri, 27 Mar 2026 15:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.562972
• Title: Identifying Connectivity Distributions from Neural Dynamics Using Flows
• Title（参考訳）: 流れを用いたニューラルダイナミクスからの接続性分布の同定
• Authors: Timothy Doyeon Kim, Ulises Pereira-Obilinovic, Yiliu Wang, Eric Shea-Brown, Uygar Sümbül,
• Abstract要約: 我々は最大エントロピーと連続正規化フロー(CNF)に基づく推論フレームワークを開発する。 本手法は,マルチスタブルなアトラクタ,リミットサイクル,リングアトラクタを生成する接続構造を持つ合成データセット上で検証する。 我々のフレームワークは、接続の回復から、どの接続構造が必要かを特定するための回路推論をシフトする。
• 参考スコア（独自算出の注目度）: 6.70232946864974
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Connectivity structure shapes neural computation, but inferring this structure from population recordings is degenerate: multiple connectivity structures can generate identical dynamics. Recent work uses low-rank recurrent neural networks (lrRNNs) to infer low-dimensional latent dynamics and connectivity structure from observed activity, enabling a mechanistic interpretation of the dynamics. However, standard approaches for training lrRNNs can recover spurious structures irrelevant to the underlying dynamics. We first characterize the identifiability of connectivity structures in lrRNNs and determine conditions under which a unique solution exists. Then, to find such solutions, we develop an inference framework based on maximum entropy and continuous normalizing flows (CNFs), trained via flow matching. Instead of estimating a single connectivity matrix, our method learns the maximally unbiased distribution over connection weights consistent with observed dynamics. This approach captures complex yet necessary distributions such as heavy-tailed connectivity found in empirical data. We validate our method on synthetic datasets with connectivity structures that generate multistable attractors, limit cycles, and ring attractors, and demonstrate its applicability in recordings from rat frontal cortex during decision-making. Our framework shifts circuit inference from recovering connectivity to identifying which connectivity structures are computationally required, and which are artifacts of underconstrained inference.
• Abstract（参考訳）: 接続構造は神経計算を形作るが、集団記録からこの構造を推定することは縮退する。 最近の研究では、低ランクリカレントニューラルネットワーク(lrRNN)を使用して、観測された活動から低次元の潜時力学と接続構造を推定し、力学の機械的解釈を可能にしている。 しかし、lrRNNのトレーニングのための標準的なアプローチは、基礎となるダイナミクスとは無関係に、突発的な構造を回復することができる。 まず,lrRNNの接続構造を同定し,一意解が存在する条件を決定する。 そこで我々は,最大エントロピーと連続正規化フロー(CNF)に基づく推論フレームワークを開発し,フローマッチングを用いて学習した。 単一の接続行列を推定する代わりに,本手法は,観測されたダイナミクスと一致した接続重み上の最大非バイアス分布を学習する。 このアプローチは、経験的データに見られる重尾接続のような複雑だが必要な分布をキャプチャする。 本研究では,マルチスタブル・アトラクタ,リミット・サイクル,リング・アトラクタを生成する接続構造を持つ合成データセット上で本手法の有効性を検証し,決定過程におけるラット前頭皮質からの記録への適用性を実証した。 我々のフレームワークは、回路の推論を、接続の回復から、どの接続構造が計算的に必要か、そして制約の少ない推論の成果物かを識別する。

関連論文リスト

• Drift-Diffusion Matching: Embedding dynamics in latent manifolds of asymmetric neural networks [0.8793721044482612]
  低次元潜在部分空間内の任意の力学系を表現するために、連続時間RNNを訓練するための一般的なフレームワークを導入する。 RNNは、カオス誘引子のような非線形および非平衡ダイナミクスを含む、与えられた微分方程式のドリフトと拡散を忠実に埋め込むことができることを示す。 その結果、非対称なニューラルネットワークは、低次元の動的計算を幅広いクラスに実装でき、連想記憶、非平衡統計力学、ニューラル計算のアイデアを統一できることを示した。
  論文  参考訳（メタデータ） (2026-02-16T16:15:59Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Learning by Steering the Neural Dynamics: A Statistical Mechanics Perspective [0.0]
  我々は、ニューラルネットワークが完全に局所的な分散学習をサポートする方法について研究する。 そこで本研究では,任意のバイナリ再帰ネットワークを用いた教師あり学習のための生物学的に妥当なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-13T22:28:34Z)
• Self-Supervised Discovery of Neural Circuits in Spatially Patterned Neural Responses with Graph Neural Networks [0.0]
  神経集団活動からシナプス接続を推定することは、計算神経科学の基本的な課題である。 本稿では,ニューロンをグラフ内の相互作用ノードとしてモデル化することにより,同時に神経活動を予測するグラフベースニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-21T17:46:43Z)
• Dynamical Learning in Deep Asymmetric Recurrent Neural Networks [1.3421746809394772]
  非対称なディープリカレントニューラルネットワークは、指数関数的に大きく、密度の高い内部表現の多様体を生み出すことを示す。 本稿では,再帰的ダイナミクスからインプット・アウトプット・アソシエーションが自然に出現する分散学習手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T12:05:09Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Backpropagation on Dynamical Networks [0.0]
  本稿では,リカレントニューラルネットワークのトレーニングによく使用されるBPTTアルゴリズムに基づくネットワーク推論手法を提案する。 局所ノードダイナミクスの近似は、まずニューラルネットワークを用いて構築される。 得られた局所モデルと重み付けによるフリーラン予測性能は、真のシステムに匹敵することがわかった。
  論文  参考訳（メタデータ） (2022-07-07T05:22:44Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。