論文の概要: CAPT: A Multi-task Continuous Autoregressive Transformer enabling Cross-dataset and Cross-species Transfer for Calcium Population Dynamics

• arxiv url: http://arxiv.org/abs/2607.23258v1
• Date: Sat, 25 Jul 2026 15:53:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.039521
• Title: CAPT: A Multi-task Continuous Autoregressive Transformer enabling Cross-dataset and Cross-species Transfer for Calcium Population Dynamics
• Title（参考訳）: CAPT: マルチタスク連続自己回帰変換器によるカルシウム個体群動態のクロスデータセットおよびクロス種移動
• Abstract要約: カルシウム人口動態解析のためのtextbfContinuous textbfAutoregressive textbfPopulation textbfTransformer について述べる。 CAPTは連続的なパッチトークン化戦略を通じて連続的なカルシウムトレースをモデル化し、自己回帰的に訓練される。 神経集団の予測と行動復号タスク全体において、CAPTは特殊および汎用のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 9.819202688456096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale calcium imaging has created an opportunity to build foundation-style models for neural population dynamics, but a central question remains unresolved: \textbf{whether a model pretrained on one collection of recordings can generalize to new datasets, experimental paradigms, and even species.} Existing approaches are often designed for specific tasks and evaluated on a single dataset, making it unclear whether their learned representations are reusable for new calcium trace datasets. To tackle this gap, we present \textbf{CAPT}, a \textbf{C}ontinuous \textbf{A}utoregressive \textbf{P}opulation \textbf{T}ransformer for calcium population dynamics. CAPT models continuous calcium traces directly through a continuous patch tokenization strategy and is trained autoregressively, enabling end-to-end pretraining and adaptation to diverse downstream tasks. We first pretrain CAPT on a large-scale mouse calcium imaging dataset and evaluate its transferability across independent mouse, larval zebrafish, and \textit{C. elegans} datasets collected by different laboratories. In these transfer settings, the pretrained backbone is frozen and only adaptation modules are updated. Across neural population forecasting and behavior decoding tasks, CAPT consistently outperforms specialized and general-purpose baselines. Alongside predictive performance, multimodal analyses using NeuroPAL annotations in \textit{C. elegans} datasets show that CAPT embeddings form a shared functional space across datasets and capture anatomical cell-identity-related structure. These results suggest that the continuous autoregressive modeling opens up possibilities for a simple route towards general-purpose neural foundation models for calcium imaging, which can generalize across datasets, experimental paradigms, and species.
• Abstract（参考訳）: 大規模なカルシウムイメージングは、神経集団動態の基礎的なモデルを構築する機会を生み出しているが、中心的な疑問は未解決のままである。 既存のアプローチは、しばしば特定のタスクのために設計され、単一のデータセットで評価される。 このギャップに対処するために、カルシウム人口動態に対する \textbf{CAPT}, a \textbf{C}ontinuous \textbf{A}utoregressive \textbf{P}opulation \textbf{T}ransformer を示す。 CAPTは、連続的なパッチトークン化戦略を通じて、連続的なカルシウムトレースを直接モデル化し、自動回帰的に訓練され、エンド・ツー・エンドの事前訓練と様々な下流タスクへの適応を可能にする。 筆者らはまず,大規模なマウスカルシウムイメージングデータセット上でCAPTを事前訓練し,独立マウス,幼魚ゼブラフィッシュ,および \textit{C。 elegans} 異なる研究室によって収集されたデータセット。 これらの転送設定では、事前訓練されたバックボーンは凍結され、適応モジュールのみが更新される。 神経集団の予測と行動復号タスク全体において、CAPTは特殊および汎用のベースラインを一貫して上回っている。 textit{C>におけるNeuroPALアノテーションを用いたマルチモーダル解析 elegans}データセットは、CAPT埋め込みがデータセット間で共有機能空間を形成し、解剖学的細胞同一性に関連する構造をキャプチャすることを示している。 これらの結果は、連続的な自己回帰モデリングが、データセット、実験パラダイム、種をまたいだ一般化が可能な、カルシウムイメージングのための汎用神経基盤モデルへの単純な経路の可能性を開くことを示唆している。

関連論文リスト

• Miles: Metric Learning with Expandable Subspace for Pre-Trained Model-Based Class-Incremental Learning [57.237835833636154]
  本稿では,事前学習された知識の事前情報を活用するために,拡張可能なサブスペース(マイル)を用いたMetrIc Learningを提案する。 Milesは様々なCIL設定で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-20T06:22:02Z)
• Cross-Subject Modeling for Widefield Calcium Imaging via Atlas-Aligned Spatiotemporal Tokenization [0.20415910628419062]
  大規模多目的広視野カルシウムイメージングは、脳全体の皮質動態に前例のないアクセスを提供する。 単セッションモデルと一般化の両方に自己学習事前学習を利用するマルチオブジェクトモデルWiCATを導入する。 複数のワイドフィールドデータセットにわたって、WiCATは軽量なダウンストリームデコーディングをサポートし、サブジェクト、タスク、デコーディングをサポートし、ベースラインモデルを上回っている。
  論文  参考訳（メタデータ） (2026-07-05T01:10:52Z)
• Self-Supervised Foundation Model for Calcium-imaging Population Dynamics [8.988419599192138]
  カルシウムトレースのみに基づく自己教師型神経基盤モデルである textbfCalM を提案する。 大規模・マルチアニマル・マルチセッションデータセット上でCalMを評価する。
  論文  参考訳（メタデータ） (2026-04-03T13:46:41Z)
• Decoding Dynamic Visual Experience from Calcium Imaging via Cell-Pattern-Aware SSL [6.099145932421348]
  本稿では,ニューラルネットワークの不均一性を生かして事前学習を改善し,スケールのメリットを享受する,自己教師型プレトレーニング(POYO-SSL)の新たなアプローチを提案する。 特に、POYO-SSLでは、予測可能な(統計的に正則な)ニューロンのみを事前訓練し、単純な高次統計(歪と曲率)によって事前訓練した。 アレン・ブレイン・オブザーバトリー(Allen Brain Observatory)のデータセットでは、この戦略はオフスクラッチトレーニングよりも約12-13%の相対的なゲインを獲得し、モデルサイズで滑らかで単調なスケーリングを示す。
  論文  参考訳（メタデータ） (2025-10-21T10:57:52Z)
• 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)
• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,初期個体群上の流れモデルを改善することで,ワッサーシュタイン多様体上のこれらのベクトル場と一体化するためのメタフローマッチング(MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• Meta Transfer of Self-Supervised Knowledge: Foundation Model in Action for Post-Traumatic Epilepsy Prediction [0.6291443816903801]
  基礎モデルに新たなトレーニング戦略を導入する。 提案手法は,小規模臨床データセットのタスク性能を著しく向上することを示す。 さらに, 基礎モデルの一般化性の向上を実証した。
  論文  参考訳（メタデータ） (2023-12-21T07:42:49Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。