論文の概要: Learning Generalizable Reconstruction of High-Dimensional Neural Dynamics

• arxiv url: http://arxiv.org/abs/2608.16569v1
• Date: Mon, 17 Aug 2026 13:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.717251
• Title: Learning Generalizable Reconstruction of High-Dimensional Neural Dynamics
• Title（参考訳）: 高次元ニューラルダイナミクスの学習包括的再構築
• Abstract要約: 我々は、LFPレコードを重なり合うウィンドウに分割し、コンパクトな空間に投影し、潜在空間における線形クープマン進化を学習し、逆プロジェクションと重なり付加アグリゲーションを通じて連続信号を再構成するスケーラブルな演算子理論フレームワークであるPCA-DMDを提案する。 20万サンプルの海馬録音では、PCA-DMDがクラシックDMD、SpDMD、MrDMD、HODMDを上回り、KLD761とHD847を達成した。
• 参考スコア（独自算出の注目度）: 5.338598022966635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate reconstruction of long-duration neural recordings is challenging because local field potentials (LFPs) are high-resolution, multichannel, transient, and variable across subjects. We present PCA-DMD, a scalable operator-theoretic framework that segments LFP recordings into overlapping windows, projects them into a compact PCA space, learns linear Koopman evolution in the latent space, and reconstructs continuous signals through inverse projection and overlap-add aggregation. On 200,000-sample hippocampal recordings, PCA-DMD outperformed Classical DMD, SpDMD, MrDMD, and HODMD, achieving KLD=0.0761 and HD=0.0847. In all-pair cross-subject zero-shot generalization at 300,000 samples, correlations were 0.9504-0.9800, with HD=0.0010-0.0072 and KLD=0.0005-0.0022, without target-subject fine-tuning. Out-of-sample temporal prediction showed close one-step agreement on temporally held-out LFP segments across the unseen interval and multiple channels. Scalability analysis from 400,000 to 900,000 samples showed stable zero-shot reconstruction, with mean correlation remaining about 0.965-0.968 while computational cost increased predictably. External validation on an independent 93-channel Allen Neuropixels recording yielded mean and median channel-wise correlations of 0.7427 and 0.7990, respectively. Koopman spectral and mode analyses revealed dominant eigenvalues concentrated near the unit circle. PCA-DMD therefore provides an interpretable, generalizable, and computationally scalable framework for reconstructing high-dimensional neural dynamics.
• Abstract（参考訳）: 局所野電位(LFP)は高分解能, 多チャンネル, 過渡性, 可変性であるため, 長期神経記録の正確な再構築は困難である。 我々は、LFPレコードを重なり合うウィンドウに分割し、コンパクトなPCA空間に投影し、潜在空間における線形クープマン進化を学習し、逆プロジェクションと重なり付加アグリゲーションを通じて連続信号を再構成するスケーラブルな演算子理論フレームワークであるPCA-DMDを提案する。 20万サンプルの海馬記録では、PCA-DMDはクラシックDMD、SpDMD、MrDMD、HODMDを上回り、KLD=0.0761、HD=0.0847を記録した。 30,000サンプルにおける全対クロスオブジェクトゼロショットの一般化では、HD=0.0010-0.0072とKLD=0.0005-0.0022との相関が0.9504-0.9800であった。 時間外時間予測では、時間的に保持されたLFPセグメントが、未確認間隔と複数のチャンネルにまたがって密接な一段階の一致を示した。 400,000から900,000サンプルのスケーラビリティ解析ではゼロショット復元が安定であり,平均相関は約0.965-0.968であり,計算コストは予測可能であった。 93チャンネルのAllen Neuropixels記録の外部検証では,それぞれ0.7427と0.7990の平均と中央のチャネルの相関が得られた。 クープマンスペクトルおよびモード解析により,単位円近傍に集束した優占固有値が得られた。 そのため、PCA-DMDは高次元の神経力学を再構築するための解釈可能で一般化可能でスケーラブルなフレームワークを提供する。

関連論文リスト

• Implicit Neural Representations for Multimodal Longitudinal Image Imputation and Interpolation [0.43554874937871363]
  腫瘍における経時的マルチパラメトリックMRIは経過観察の中心である。 実世界の臨床データは、欠落したシーケンス、不均一な取得プロトコル、時間点の様々な解像度によって特徴づけられる。 患者固有の暗黙的ニューラル表現(INR)を世界座標,時間,モダリティ条件の連続関数として,縦型MRIをモデル化する。
  論文  参考訳（メタデータ） (2026-08-03T14:47:10Z)
• Domain Shift in Echocardiography: Interpretable Quantification and Prediction of Cross-Dataset Left Ventricular Segmentation [0.5599792629509228]
  心エコー図による左室分画の臨床的展開には, クロスデータセットの一般化が大きな障壁となっている。 超音波ディスクリプタ,VOE潜時特徴,セグメンテーション由来潜時特徴を用いて,展開前に転写劣化を推定できるかどうかを検討した。
  論文  参考訳（メタデータ） (2026-07-22T00:48:57Z)
• Evolving Spatial Weights for Cartographic Synthesis [34.00232821914697]
  本研究では,空間自己相関構造に基づく地図合成の多目的定式化を提案する。 我々は,グローバル空間構造を最大化することにより,層重みを推定する双方向進化フレームワークGIS-moGAを開発した。 その結果,集団多様性の維持と早期収束の予防には高い突然変異率が重要であることが示された。
  論文  参考訳（メタデータ） (2026-06-20T22:34:29Z)
• Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
  両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。 本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
  論文  参考訳（メタデータ） (2026-06-02T12:32:43Z)
• Compact Latent Manifold Translation: A Parameter-Efficient Foundation Model for Cross-Modal and Cross-Frequency Physiological Signal Synthesis [4.672369796753925]
  既存の基礎モデルは、しばしば重度のモダリティの絡み合いに苦しむ連続潜在空間に依存している。 本稿では,これらのギャップを埋める高パラメータ効率(0.09B)統一フレームワークであるコンパクト潜時翻訳(CLMT)を提案する。 計算フットプリントのごく一部で生物学的信号の普遍的な離散言語を学習することにより、我々はエッジ展開可能な多要素医療基盤モデルのための新しい軌道を定めている。
  論文  参考訳（メタデータ） (2026-05-13T09:31:36Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• Bayesian Over-the-Air FedAvg via Channel Driven Stochastic Gradient Langevin Dynamics [41.58760966569499]
  本稿では,無線システムにおけるFALDを実現するプロトコルである無線FALDを提案する。 WFALDはモンテカルロ更新のためのオーバー・ザ・エア計算とチャネル駆動サンプリングを統合している。 解析と実験により、信号対雑音比が十分に大きい場合には、モンテカルロサンプリングのためにチャネルノイズを完全に再利用できることが示されている。
  論文  参考訳（メタデータ） (2023-05-07T00:10:55Z)
• Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
  拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。 拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
  論文  参考訳（メタデータ） (2021-02-25T13:18:32Z)

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。