論文の概要: Probabilistic Prediction of Neural Dynamics via Autoregressive Flow Matching

• arxiv url: http://arxiv.org/abs/2604.11178v1
• Date: Mon, 13 Apr 2026 08:40:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.433947
• Title: Probabilistic Prediction of Neural Dynamics via Autoregressive Flow Matching
• Title（参考訳）: 自己回帰フローマッチングによるニューラルダイナミクスの確率論的予測
• Authors: Nicole Rogalla, Yuzhen Qin, Mario Senden, Ahmed El-Gazzar, Marcel van Gerven,
• Abstract要約: 自己回帰フローマッチング(AFM)に基づくニューラルダイナミクスのモデリングのための生成予測フレームワークを提案する。 我々は、過去のニューラルダイナミクスと同時感覚入力が与える未来のニューラルアクティビティの条件分布を学習し、時間的に進化するプロセスとして、明示的にニューラルアクティビティをモデル化する。 AFMは、非自己回帰型フローマッチングベースラインと、短期的パーセル単位の血中酸素濃度依存性(BOLD)活性を予測するための公式な一般線形モデルベースラインの両方において、著しく優れている。
• 参考スコア（独自算出の注目度）: 1.8305771342813424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting neural activity in response to naturalistic stimuli remains a key challenge for understanding brain dynamics and enabling downstream neurotechnological applications. Here, we introduce a generative forecasting framework for modeling neural dynamics based on autoregressive flow matching (AFM). Building on recent advances in transport-based generative modeling, our approach probabilistically predicts neural responses at scale from multimodal sensory input. Specifically, we learn the conditional distribution of future neural activity given past neural dynamics and concurrent sensory input, explicitly modeling neural activity as a temporally evolving process in which future states depend on recent neural history. We evaluate our framework on the Algonauts project 2025 challenge functional magnetic resonance imaging dataset using subject-specific models. AFM significantly outperforms both a non-autoregressive flow-matching baseline and the official challenge general linear model baseline in predicting short-term parcel-wise blood oxygenation level-dependent (BOLD) activity, demonstrating improved generalization and widespread cortical prediction performance. Ablation analyses show that access to past BOLD dynamics is a dominant driver of performance, while autoregressive factorization yields consistent, modest gains under short-horizon, context-rich conditions. Together, these findings position autoregressive flow-based generative modeling as an effective approach for short-term probabilistic forecasting of neural dynamics with promising applications in closed-loop neurotechnology.
• Abstract（参考訳）: 自然主義的刺激に対する神経活動の予測は、脳のダイナミクスを理解し、下流の神経工学的応用を可能にする上で重要な課題である。 本稿では,自己回帰フローマッチング(AFM)に基づいて,ニューラルダイナミクスをモデル化するための生成予測フレームワークを提案する。 トランスポートベース生成モデリングの最近の進歩に基づき,本手法はマルチモーダル感覚入力から大規模での神経応答を確率論的に予測する。 具体的には、過去のニューラルダイナミクスと同時感覚入力が与える将来のニューラルアクティビティの条件分布を学習し、ニューラルアクティビティを最近のニューラルヒストリーに依存する時間的に進化するプロセスとして明示的にモデル化する。 2025年のAlgonautsプロジェクトにおいて,主観的モデルを用いた機能的磁気共鳴画像データセットの評価を行った。 AFMは、非自己回帰フローマッチングベースラインと、短期パーセル単位の血中酸素濃度依存性(BOLD)活性を予測するための公式な一般線形モデルベースラインの両方を著しく上回り、一般化と広範な皮質予測性能が向上した。 アブレーション分析は、過去のBOLDダイナミクスへのアクセスがパフォーマンスの主要因であることを示し、一方、自己回帰的因数分解は短期的、文脈に富む条件下では、一貫性のある緩やかな利得をもたらすことを示した。 これらの知見は,神経力学の短期確率予測に有効な手法として自己回帰型フローベース生成モデルとして位置づけられ,閉ループニューロテクノロジーに有望な応用が期待できる。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• POCO: Scalable Neural Forecasting through Population Conditioning [6.135391899876823]
  POCOは、ニューロン特異的および脳全体のダイナミクスをキャプチャする統合予測モデルである。 プレトレーニング後、POCOは最小限の微調整で新しい録音に迅速に適応する。 包括的分析により、コンテキスト長、セッションの多様性、前処理など、パフォーマンスに影響を及ぼすいくつかの重要な要因が明らかになった。
  論文  参考訳（メタデータ） (2025-06-17T20:15:04Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• BLEND: Behavior-guided Neural Population Dynamics Modeling via Privileged Knowledge Distillation [6.3559178227943764]
  本稿では,特権的知識蒸留による行動誘導型ニューラル人口動態モデリングフレームワークBLENDを提案する。 特権情報として行動を考えることにより、行動観察(私的特徴)と神経活動(正規特徴)の両方を入力として扱う教師モデルを訓練する。 学生モデルは神経活動のみを用いて蒸留される。
  論文  参考訳（メタデータ） (2024-10-02T12:45:59Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• STNDT: Modeling Neural Population Activity with a Spatiotemporal Transformer [19.329190789275565]
  我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。 本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:54:23Z)
• 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)

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。