論文の概要: Connectome-to-Function: Conditional Generative Latent Representations for Reservoir Computing
- arxiv url: http://arxiv.org/abs/2609.06093v1
- Date: Sat, 05 Sep 2026 13:39:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.20044
- Title: Connectome-to-Function: Conditional Generative Latent Representations for Reservoir Computing
- Title（参考訳）: Connectome-to-Function: 貯留層計算のための条件付き生成潜在表現
- Abstract要約: 本稿では,コネクトームグラフをコンパクトな構造空間に符号化する条件付き生成潜在フレームワークを提案する。
この空間から、観測された接続を平均的なエッジ再構成AUCで最大0.910まで再構成することができる。
コネクトーム由来のグラフをリカレントな計算基板として使用することにより、学習された潜伏空間が貯水池計算実験における機能的変動を捉えていることが判明した。
- 参考スコア（独自算出の注目度）: 3.376576692516218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Connectomes, graph-level maps of neurons and their synaptic connections, provide a structural basis for understanding how brain circuits support function and computation. However, mapping connectome structure to computation remains difficult because these graphs are high-dimensional, sparse, and sensitive to local structural variation. Existing approaches often depend on hand-crafted structural descriptors or task-specific predictors, which limits their ability to represent connectomes in a form that is both generative and functionally meaningful. We propose a conditional generative latent framework that encodes connectome graphs into a compact structural space while using available node-level conditions to guide reconstruction and generation. From this space, the model can reconstruct observed connectivity with a mean edge-reconstruction AUC up to 0.910 and generate new candidate connectomes, enabling a unified analysis of graph structure and computational behavior. Using connectome-derived graphs as recurrent computational substrates, we found that the learned latent space captures functional variation across reservoir-computing experiments, with cross-validated $R^2$ values up to approximately 0.87. Interpretability analysis further revealed task-specific structural mechanisms: in our examples, memory performance is associated with reciprocal recurrent connectivity, whereas prediction and classification are more strongly associated with spectral properties of the recurrent network. These findings suggest an AI-for-science approach to linking neural connectivity to computation and provide a generative and interpretable basis for studying how distinct structural mechanisms shape computational capacity.
- Abstract（参考訳）: コネクトーム、ニューロンのグラフレベルマップとそのシナプス接続は、脳回路が機能と計算をどのようにサポートするかを理解するための構造的基盤を提供する。
しかし、これらのグラフは高次元でスパースであり、局所的な構造変化に敏感であるため、コネクトーム構造を計算にマッピングすることは依然として困難である。
既存のアプローチは、しばしば手作りの構造記述子やタスク固有の予測子に依存し、生成的かつ機能的に意味のある形でコネクトームを表現する能力を制限する。
本稿では,コネクトームグラフをコンパクトな構造空間にエンコードする条件生成潜在フレームワークを提案する。
この空間から、平均エッジ再構成AUCで観測された接続を0.910まで再構成し、新しい候補コネクトームを生成し、グラフ構造と計算挙動の統一的な解析を可能にする。
コネクトーム由来のグラフをリカレントな計算基質として、学習した潜水空間が貯水池計算実験の関数的変動を捉え、そのクロスバリデーションの$R^2$値が約0.87であることがわかった。
我々の例では、メモリ性能は相互のリカレント接続と関連しているのに対し、予測と分類はリカレントネットワークのスペクトル特性と強く関連している。
これらの結果は、ニューラルネットワークと計算を結びつけるためのAI-for-scienceアプローチと、構造機構が計算能力をどのように形成するかを研究するための生成的かつ解釈可能な基盤を提供することを示唆している。
関連論文リスト
- K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Identifying Connectivity Distributions from Neural Dynamics Using Flows [6.70232946864974]
我々は最大エントロピーと連続正規化フロー(CNF)に基づく推論フレームワークを開発する。
本手法は,マルチスタブルなアトラクタ,リミットサイクル,リングアトラクタを生成する接続構造を持つ合成データセット上で検証する。
我々のフレームワークは、接続の回復から、どの接続構造が必要かを特定するための回路推論をシフトする。
論文 参考訳（メタデータ） (2026-03-27T15:14:55Z) - Topology Identification and Inference over Graphs [61.06365536861156]
グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。
本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
論文 参考訳（メタデータ） (2025-12-11T00:47:09Z) - The Human Brain as a Combinatorial Complex [3.849079578881503]
現在のグラフベースの脳ネットワークの表現は、神経の複雑さを特徴づける高次の依存関係を見逃している。
本稿では,fMRI時系列データから複合体(CC)を構築するためのフレームワークを提案する。
この研究は、従来のグラフ手法では見えない、基本的な高次構造を保存する脳ネットワーク表現のためのフレームワークを提供する。
論文 参考訳（メタデータ） (2025-11-22T19:04:13Z) - Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。
情報理論構造と統計力学の数学的類似性を確立する。
構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
論文 参考訳（メタデータ） (2025-07-17T21:31:45Z) - Why Neural Network Can Discover Symbolic Structures with Gradient-based Training: An Algebraic and Geometric Foundation for Neurosymbolic Reasoning [73.18052192964349]
我々は、連続的なニューラルネットワークトレーニングのダイナミックスから、離散的なシンボル構造が自然に現れるかを説明する理論的枠組みを開発する。
ニューラルパラメータを測度空間に上げ、ワッサーシュタイン勾配流としてモデル化することにより、幾何的制約の下では、パラメータ測度 $mu_t$ が2つの同時現象となることを示す。
論文 参考訳（メタデータ） (2025-06-26T22:40:30Z) - Unveiling and Steering Connectome Organization with Interpretable Latent Variables [11.702970031377307]
本研究では,ショウジョウバエのコネクトームFlyWireからのサブグラフ抽出と,神経回路の解釈可能な低次元表現を導出するための生成モデルを提案する。
この研究は、脳のアーキテクチャを理解するための新しいツールと、バイオインスパイアされた人工ニューラルネットワークを設計するための潜在的な道筋を提供する。
論文 参考訳（メタデータ） (2025-05-19T11:54:40Z) - Relational Composition in Neural Networks: A Survey and Call to Action [54.47858085003077]
多くのニューラルネットは、データを「機能ベクトル」の線形結合として表現しているように見える。
我々は、この成功は関係性の構成を理解せずに不完全であると主張する。
論文 参考訳（メタデータ） (2024-07-19T20:50:57Z) - Random Graph-Based Neuromorphic Learning with a Layer-Weaken Structure [4.477401614534202]
我々は,ランダムグラフ理論を実践的な意味でNNモデルに変換し,各ニューロンの入出力関係を明らかにする。
この低演算コストアプローチでは、ニューロンはいくつかのグループに割り当てられ、接続関係はそれらに属するランダムグラフの一様表現とみなすことができる。
本稿では,複数のRGNN間の情報インタラクションを含む共同分類機構を開発し,教師付き学習における3つのベンチマークタスクの大幅な性能向上を実現する。
論文 参考訳（メタデータ） (2021-11-17T03:37:06Z) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳（メタデータ） (2021-09-26T07:19:47Z) - Structure-aware Interactive Graph Neural Networks for the Prediction of
Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。
近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。
ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文 参考訳（メタデータ） (2021-07-21T03:34:09Z)
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。