論文の概要: SpikeProphecy: A Large-Scale Benchmark for Autoregressive Neural Population Forecasting

• arxiv url: http://arxiv.org/abs/2605.12992v1
• Date: Wed, 13 May 2026 04:45:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.813959
• Title: SpikeProphecy: A Large-Scale Benchmark for Autoregressive Neural Population Forecasting
• Title（参考訳）: Spike Prophecy: 自己回帰型ニューラル人口予測のための大規模ベンチマーク
• Authors: John R. Minnick, Jinghui Geng, Kamran Hussain, Jesus Gonzalez-Ferrer, Ash Robbins, Mohammed A. Mostajo-Radji, David Haussler, Jason K. Eshraghian, Mircea Teodorescu,
• Abstract要約: SpikeProphecyは、心電図の因果的・自己回帰的スパイク数予測のための最初の大規模ベンチマークである。 我々のコアコントリビューションは、集約性能を時間的忠実度、空間的パターン精度、等級不変アライメントに分離する人口計量分解である。
• 参考スコア（独自算出の注目度）: 0.5507813261960522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural population models, which predict the joint firing of many simultaneously recorded neurons forward in time, are typically evaluated by a single aggregate Pearson correlation $r$ between predicted and actual spike counts, a number that masks critical structure. We argue that how we evaluate spike forecasting matters as much as what we build, and introduce SpikeProphecy, the first large-scale benchmark for causal, autoregressive spike-count forecasting on real electrophysiology recordings. Our core contribution is a population metric decomposition that separates aggregate performance into temporal fidelity, spatial pattern accuracy, and magnitude-invariant alignment. The decomposition surfaces aspects of the underlying data that an aggregate scalar collapses together. We apply the protocol to 105 Neuropixels sessions (Steinmetz 2019 + IBL Repeated Site; ~89,800 neurons) with seven architecture baselines spanning four structural families: four SSMs (three diagonal and one non-diagonal), a Transformer, an LSTM, and a spiking network. The decomposition surfaces a brain-region predictability ranking that reproduces across all seven baselines and survives ANCOVA correction for firing-statistics constraints (region $ΔR^2 = 0.018$ above the firing-statistics covariates). It also exposes a sub-Poisson evaluation floor where rigorous metrics combine with genuine biophysical constraints on regular spike trains, and yields a negative result on KL-on-output-rates distillation for ANN-to-SNN transfer in this Poisson count domain.
• Abstract（参考訳）: 神経集団モデルでは、多くの同時記録ニューロンの連射を時間内に予測し、予測されたスパイク数と実際のスパイク数との1つの集合Pearson相関によって評価されるのが一般的である。 私たちがどのようにスパイク予測を評価するかは、私たちが構築したものと同じくらい重要であり、実際の電気生理学的記録に関する、因果的、自己回帰的なスパイクカウント予測のための最初の大規模なベンチマークであるSpikeProphecyを紹介します。 我々のコアコントリビューションは、集約性能を時間的忠実度、空間的パターン精度、等級不変アライメントに分離する人口計量分解である。 この分解は、集合スカラーが一緒に崩壊する基礎となるデータの側面を表面化する。 このプロトコルを105個のNeuropixelsセッション(Steinmetz 2019 + IBL Repeated Site; 〜89,800のニューロン)に適用し、SSM(3つの対角線と1つの非対角線)、Transformer、LSTM、スパイキングネットワークの4つの構造系にまたがる7つのアーキテクチャベースラインを持つ。 分解は脳領域の予測可能性ランキングを表わし、7つの基準線をまたいで再現し、焼成統計量の制約に対するANCOVA補正を継続する(領域$ΔR^2 = 0.018$は焼成統計量の共変量より高い)。 また、厳密な指標と通常のスパイク列車の真の生物物理学的制約が組み合わされ、このポアソンカウントドメインにおけるANN-SNN転送のためのKL-on-output-rates蒸留において負の結果が生じるようなサブポアソン評価フロアも公開している。

関連論文リスト

• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Stochastic gradient descent in high dimensions for multi-spiked tensor PCA [5.464669506214196]
  マルチスパイクテンソルモデルに対するオンライン勾配降下(SGD)のダイナミクスについて検討する。 我々は、スパイクが「逐次除去」と呼ばれるプロセスで順次回収されることを発見した。
  論文  参考訳（メタデータ） (2024-10-23T17:20:41Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Identifying Peer Influence in Therapeutic Communities Adjusting for Latent Homophily [1.6385815610837167]
  薬物乱用や犯罪行為に対する対人的役割モデルの影響について検討した。 観測データに観測されていないホモフィリーが存在する場合のピアの影響を同定するために,潜時変動モデルを用いてネットワークをモデル化する。 以上の結果から,友人の卒業が住民の卒業に与える影響は,性別,人種,役割モデルの効果の定義によって異なることが示唆された。
  論文  参考訳（メタデータ） (2022-03-27T06:47:28Z)
• Interpretable Additive Recurrent Neural Networks For Multivariate Clinical Time Series [4.125698836261585]
  本稿では,モデル内の変数間の関係を加法的に強制することで,モデルの複雑性と精度のバランスをとるInterpretable-RNN(I-RNN)を提案する。 I-RNNは、時間内に不均一にサンプリングされ、非同期に取得され、データが欠落している臨床時系列の特徴を特に捉えている。 本研究は,院内死亡率予測のためのPhysoronet 2012 ChallengeデータセットのI-RNNモデルと,集中治療室における血行動態の介入を予測するリアルな臨床診断支援タスクについて評価する。
  論文  参考訳（メタデータ） (2021-09-15T22:30:19Z)
• Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression [17.158289775348063]
  カーネル化されたテンソル回帰(BKTR)は、低ランクの時間構造を持つモデリングプロセスに対する新しいスケーラブルなアプローチと考えられる。 そこで本研究では,BKTRのモデル推定と推定において,BKTRの優れた性能と効率性を確認した。
  論文  参考訳（メタデータ） (2021-08-31T19:22:23Z)

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。