論文の概要: Implicit Behavioral Decoding from Next-Step Spike Forecasts at Population Scale
- arxiv url: http://arxiv.org/abs/2605.12999v1
- Date: Wed, 13 May 2026 04:55:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.818334
- Title: Implicit Behavioral Decoding from Next-Step Spike Forecasts at Population Scale
- Title（参考訳）: 人口規模における次のステップスパイク予測からの入射行動復号
- Authors: John R. Minnick, Jesus Gonzalez-Ferrer, Kamran Hussain, Jinghui Geng, Ash Robbins, Mohammed A. Mostajo-Radji, David Haussler, Jason Eshraghian, Mircea Teodorescu,
- Abstract要約: ニューロピクセルスケールで次のステップのスパイク数だけを訓練した単一のマムバ予報装置は、どちらも1回の前方通過で配送できる。
モデルの予測レートを読み取る軽量なパーセッション線形ヘッドは、生のスパイク数を読み取る同じ線形分類器よりも振舞いを復号する。
生のスパイク数で一致した500ms-contextリニアデコーダと比較して、マムバは反応で4-6pp、刺激側で4-6ppでトライアル投票で勝利した。
- 参考スコア（独自算出の注目度）: 2.4074498341743458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Closed-loop brain-computer interfaces often require both a forecast of upcoming neural population activity and a readout of the animal's behavioral state. A single Mamba forecaster, trained only on next-step spike counts at Neuropixels scale, can deliver both in one forward pass. A lightweight per-session linear head reading the model's predicted rates decodes behavior better than the same linear classifier reading the raw spike counts, under matched temporal context. We test on the Steinmetz visual-discrimination benchmark, which spans 39 sessions, roughly 27,000 neurons, and 1,994 held-out trials. Across three training seeds, Mamba's predicted rates decode mouse choice at 75.7$\pm$0.2% trial vote, roughly 2.3 times chance level, and stimulus side at 66.1$\pm$0.6%, about twice chance. Compared to a matched 500 ms-context linear decoder on the raw spike counts, Mamba wins at trial vote by 4-6 pp on response and 4-6 pp on stimulus side. A session-start calibration block of about 100-150 trials brings the readout within 1-2 pp of asymptote, and the full pipeline fits inside the 50 ms bin budget on workstation-class GPUs typical of tethered chronic Neuropixels recordings.
- Abstract（参考訳）: クローズドループ脳-コンピュータインタフェースは、しばしば次の神経活動の予測と動物の行動状態の読み出しの両方を必要とする。
ニューロピクセルスケールで次のステップのスパイク数だけを訓練した単一のマムバ予報装置は、どちらも1回の前方通過で配送できる。
モデルの予測レートを読み取る軽量なパーセッション線形ヘッドは、マッチした時間文脈下で、生スパイク数を読み取る同じ線形分類器よりも振舞いを復号する。
39のセッション、約27,000のニューロン、1,994のホールドアウトトライアルにまたがる、Steinmetz視覚識別ベンチマークをテストする。
3つの訓練種の中で、マンバの予測値は75.7$\pm$0.2%の試験票、約2.3倍の確率、66.1$\pm$0.6%の刺激率でマウス選択を復号する。
生のスパイク数で一致した500ms-contextリニアデコーダと比較して、マムバは反応で4-6pp、刺激側で4-6ppでトライアル投票で勝利した。
約100-150回のセッション開始キャリブレーションブロックは、アシンプトートの1-2pp以内のリードアウトをもたらし、完全なパイプラインは、テザリングされた慢性神経画素記録に典型的なワークステーションクラスのGPUに50msのビン予算内に収まる。
関連論文リスト
- Perturbation Probing: A Two-Pass-per-Prompt Diagnostic for FFN Behavioral Circuits in Aligned LLMs [9.127363793428119]
摂動探索は、大規模言語モデルにおけるFFNニューロンに対するタスク特異的因果仮説を生成する。
8つの動作回路、13のモデル、および4つのアーキテクチャファミリにまたがって、LLMの動作を整理する2つの回路構造を同定する。
論文 参考訳（メタデータ） (2026-04-30T04:13:33Z) - Predicting Upcoming Stuttering Events from Three-Second Audio: Stratified Evaluation Reveals Severity-Selective Precursors, and the Model Deploys Fully On-Device [0.0]
我々は,SEP-28k(Apple,20,131本の3秒クリップ)でCNNをトレーニングし,次の連続クリップに障害があるかどうかを予測する。
集合目的は、重大事象が韻律前駆体を持つため、重大選択予測器に収束する。
相互人口移動: 微調整無しで、同じチェックポイントが1024名の小児Who-Stutter発話に適用され、AUC 0.674 の検出と 0.655 の予測が達成される。
論文 参考訳（メタデータ） (2026-04-30T00:30:28Z) - ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。
ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
論文 参考訳（メタデータ） (2026-04-26T20:39:19Z) - Sparse Regression under Correlation and Weak Signals: A Reproducible Benchmark of Classical and Bayesian Methods [1.6679662639178268]
合成データに対する6つのスパース回帰法をベンチマークした。
ベイズ法は予測誤差(MSE 72 vs. 108-267)で勝利し、ホースシューは95%近くをカバーしている(94.8%)。
可変選択の場合、F1 0.47のラッソとスパイク・アンド・スラブのネクタイは、後部が不要な場合に事実上のデフォルトとなる。
論文 参考訳（メタデータ） (2026-04-04T15:46:44Z) - Mamba-OTR: a Mamba-based Solution for Online Take and Release Detection from Untrimmed Egocentric Video [57.805927523341516]
Mamba-OTRは、短いビデオクリップでトレーニングしながら、推論中に時間的再発を利用するように設計されている。
Mamba-OTRは、スライドウインドウ方式で動作する際に、注目すべきmp-mAP45.48を達成する。
我々は,今後の研究を支援するため,Mamba-OTRのソースコードを公開します。
論文 参考訳（メタデータ） (2025-07-22T08:23:51Z) - Unsupervised Sparse Coding-based Spiking Neural Network for Real-time Spike Sorting [0.1957338076370071]
本研究では、スパイクソートに最適化された2層スパイクニューラルネットワークであるニューロモルフィックスパースソーター(NSS)を紹介する。
NSSは検出されたスパイク波形をオンライン形式でソートすることを学び、完全に教師なしで運用する。
論文 参考訳（メタデータ） (2025-06-30T16:48:49Z) - Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。
しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。
対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
論文 参考訳（メタデータ） (2024-03-13T13:54:00Z) - Inverse scaling can become U-shaped [126.64521446943155]
言語モデルのスケールアップは、幅広い下流タスクのパフォーマンスを改善するために実証的に示されている。
本稿では,これらの逆スケーリングタスクについて詳しく検討する。
Inverse Scaling Prizeの5倍の計算量でトレーニングされた最大540Bパラメータのモデルを評価する。
論文 参考訳（メタデータ） (2022-11-03T17:26:44Z) - Computing with Hypervectors for Efficient Speaker Identification [6.716780677177984]
本研究では,高次元ランダムベクトルを用いた話者識別手法を提案する。
トレーニングデータを通過するのは1.02kのアクティブパラメータと128分のパスだけで,1,251人のVoxCeleb1データセット上でTop-1とTop-5のスコアが31%と52%に達したのです。
論文 参考訳（メタデータ） (2022-08-28T20:32:24Z) - Listen Attentively, and Spell Once: Whole Sentence Generation via a
Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。
非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。
我々は,中国における公開データセットAISHELL-1の実験を行った。
論文 参考訳（メタデータ） (2020-05-11T04:45:02Z)
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。