論文の概要: Integrative neurocybernetic modeling in the era of large-scale neuroscience

• arxiv url: http://arxiv.org/abs/2604.23903v1
• Date: Sun, 26 Apr 2026 22:26:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.670856
• Title: Integrative neurocybernetic modeling in the era of large-scale neuroscience
• Title（参考訳）: 大規模神経科学時代における統合的ニューロサイバネティックモデリング
• Authors: Il Memming Park, Ayesha Vermani, Gonzalo G. de Polavieja, Juan Álvaro Gallego, Kathleen Esfahany, Shreya Saxena, Michael Orger, Auke Ijspeert, Matthew Dowling, Daniel McNamee, Srinivas C. Turaga, Zachary Mainen, Joseph J. Paton, Alfonso Renart,
• Abstract要約: 我々は、理解行動には統合的ニューロサイバネティックモデルが必要であると論じる。 このようなモデルは、目標を、神経記録の予測から、神経および行動力学を支配する組織原理の推測へとシフトさせる。 このアジェンダは、断片化されたデータから、脳がどのように行動を生み出すかの機械科学へのモデル中心のパスを提供する。
• 参考スコア（独自算出の注目度）: 10.509674860067108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale neuroscience is generating rich datasets across animals, brain areas and behavioral contexts, yet our modeling efforts remains fragmented across isolated experiments. We argue that understanding behavior requires integrative neurocybernetic models: understandable dynamical models that capture the closed-loop coupling of brain, body and environment, treat the brain as a controller pursuing latent objectives, represent structured variation across scales, and scale to heterogeneous datasets. Such models shift the goal from predicting neural recordings in isolation to inferring the organizing principles that govern neural and behavioral dynamics. We outline a practical route toward this goal by combining nonlinear state-space models and meta-dynamical extensions with scalable inference, knowledge distillation, mixed open- and closed-loop training, and connectomics-informed architectures. By pooling complementary constraints from recordings, behavior, perturbations and anatomy, integrative neurocybernetic models can provide statistical amplification, few-shot generalization, and mechanistic insight into shared dynamical structure, individual variation, and the control objectives that govern behavior. This agenda offers a model-centric path from fragmented data to a mechanistic science of how brains produce behavior.
• Abstract（参考訳）: 大規模な神経科学は、動物、脳の領域、行動のコンテキストにまたがる豊富なデータセットを生成しています。 脳、体、環境のクローズドループ結合を捉え、潜在目標を追求するコントローラとして脳を扱い、スケールにわたって構造化された変動を表現し、不均一なデータセットにスケールする。 このようなモデルは、目的を、独立して神経記録を予測することから、神経と行動のダイナミクスを管理する組織原理を推論することへとシフトする。 我々は、非線形状態空間モデルとメタ力学拡張をスケーラブルな推論、知識蒸留、混合開ループ学習、コネトミクスインフォームドアーキテクチャと組み合わせることで、この目標に向けての実践的な経路を概説する。 記録、行動、摂動、解剖から相補的な制約をプールすることで、統合型ニューロサイバネティックモデルは、統計増幅、数ショットの一般化、共有力学構造、個人の変動、行動を管理する制御目的に関する機械的洞察を提供することができる。 このアジェンダは、断片化されたデータから、脳がどのように行動を生み出すかの機械科学へのモデル中心のパスを提供する。

関連論文リスト

• JEDI: Jointly Embedded Inference of Neural Dynamics [12.034164909682366]
  タスクとコンテキストをまたいだニューラルダイナミクスをキャプチャする階層モデルであるJEDIを紹介する。 シミュレーションされたRNNデータセットを用いて、JEDIが堅牢で一般化可能な条件固有の埋め込みを正確に学習できることを実証する。 我々の研究は、文脈埋め込みと繰り返し重みの合同学習が、記録のみからの脳のダイナミクスのスケーラブルで一般化可能な推論を提供することを示している。
  論文  参考訳（メタデータ） (2026-03-11T07:31:20Z)
• 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)
• 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)
• Graph-Based Representation Learning of Neuronal Dynamics and Behavior [2.3859858429583665]
  本稿では,時間変動ニューロン接続をモデル化する新しいフレームワークTAVRNNを紹介する。 TAVRNNは、解釈可能な集団レベルの表現を維持しながら、単一単位レベルで潜伏ダイナミクスを学習する。 TAVRNNは,(1)自由行動ラットの電気生理学的データ,(2)到達作業中の霊長類体性感覚皮質記録,(3)仮想ゲーム環境と相互作用するDishBrainプラットフォーム内の生物学的ニューロンの3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)

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。