論文の概要: Structured Bayesian Modeling of Dynamic Receptive1 Fields in Salamander Retinal Ganglion Cells
- arxiv url: http://arxiv.org/abs/2609.30731v1
- Date: Fri, 25 Sep 2026 03:00:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.195457
- Title: Structured Bayesian Modeling of Dynamic Receptive1 Fields in Salamander Retinal Ganglion Cells
- Title（参考訳）: サラマンダー網膜ガングリオン細胞における動的受容体1野の構造ベイズモデル
- Abstract要約: 1 を推定することは、数回の試行で時間ビン当たりの1 ピクセル当たりの係数を意味する。
LASSOのようなスパース正規化器はその次元を扱うが、各時点ごとに独立に画素を選択する。
動的受容場推定を高次元ベイズ問題として定式化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neurons in the visual system are selective for specific spatial and temporal stimulus features, described by their \emph{receptive field}. Estimating one means a coefficient per pixel per time bin from few trials -- a high-dimensional problem requiring regularization. Sparse regularizers such as the LASSO handle the dimension but select pixels independently at each time point, with nothing to keep the region coherent in space or smooth in time; it can fragment or reorganize discontinuously even when the true response evolves smoothly, a failure since this evolving pattern is what a receptive-field estimate should capture. We formulate dynamic receptive-field estimation as a high-dimensional Bayesian problem: a Poisson model combining a Gaussian Markov random field in space with an autoregressive process in time, so the estimated field is smooth and coherent across space and time. On recordings from $155$ salamander retinal ganglion cells, fitting this model independently per neuron recovers a coherent surface, where a pixel-level Poisson-LASSO comparison instead returns a fragmented one. Summarizing each neuron's surface by its space-averaged temporal response and clustering these curves with a model-based functional-clustering procedure, BIC selects three balanced temporal-response phenotypes ($85$, $32$, $38$ neurons), against a degenerate grouping from clustering the raw surfaces. A simulation study with known ground truth confirms the same pattern, with the model beating an unregularized Poisson GLM, LASSO, and the elastic net on recovery and estimation accuracy, though LASSO controls false positives better. The per-neuron field identification, its contrast with LASSO, and the functional-clustering population typing constitute this paper's contribution.
- Abstract（参考訳）: 視覚系のニューロンは、特定の空間的および時間的刺激の特徴に対して選択的であり、それらが \emph{receptive field} によって記述される。
1を推定することは、数回の試行から1時間当たりの1ピクセル当たりの係数を意味し、これは正則化を必要とする高次元の問題である。
LASSOのようなスパース正規化器は次元を扱うが、各時点ごとに独立して画素を選択できるが、領域を空間的あるいはスムーズに保ち、真の応答がスムーズに進行しても不連続に断片化または再構成することができる。
高次元ベイズ問題として動的受容場推定を定式化する:空間におけるガウスマルコフ確率場と時間的自己回帰過程を組み合わせたポアソンモデル。
サルマンデル網膜神経節細胞からの155ドル(約1万5000円)の録音では、このモデルがニューロンごとに独立に適合すると、コヒーレントな表面が回復し、ピクセルレベルのPoisson-LASSO比較によって断片化された表面が返される。
各ニューロンの表面を平均時空間応答で要約し、これらの曲線をモデルに基づく機能的クラスタリング手順でクラスタリングし、BICは3つのバランスの取れた時間的応答表現型(85$、32$、38$のニューロン)を、原表面をクラスタリングすることによる退化グループに対して選択する。
モデルが非正規化ポアソンGLM, LASSO, 弾性ネットを回復と推定の精度で打ち負かしているが, LASSOは偽陽性をよく制御している。
本論文では,ニューロン単位のフィールド同定,LASSOとの対比,機能的クラスタリング集団型付けが寄与する。
関連論文リスト
- A Deep Learning Model for Spatially Clustered Data via Differentiable Cluster Assignment [2.5782420501870296]
分割とクラスタ固有の回帰関数を共同で学習するために,非パラメトリック推定器を提案する。
提案手法の有効性と有効性を示すために,実データ解析を行う。
論文 参考訳（メタデータ） (2026-08-15T01:39:56Z) - Modeling Temporal scRNA-seq Data with Latent Gaussian Process and Optimal Transport [8.719471378063078]
我々は、ヒルベルト空間法により近似された非定常ガウス過程(GP)を用いて、人口トレンドをモデル化する生成フレームワークを提案する。
本手法は, 細胞特異的潜伏時間と細胞型条件を組み込んで, 時間的非同期軌跡を異なる細胞タイプに分散させることにより, 生物学的な外挿を明示的に捕捉する。
論文 参考訳（メタデータ） (2026-05-20T10:24:51Z) - MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data [47.97758608694957]
We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。
この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。
合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
論文 参考訳（メタデータ） (2026-03-23T20:49:45Z) - Training-Driven Representational Geometry Modularization Predicts Brain Alignment in Language Models [10.7573063848449]
大きな言語モデル(LLM)が人間の言語の神経表現と計算とどのように一致しているかは、認知科学における中心的な問題である。
階層を安定な低複雑クラスタと高複雑クラスタに自己組織化する幾何学的モジュラー化を同定した。
低複雑さモジュールはエントロピーと曲率の減少を特徴とし、一貫して人間の言語ネットワーク活動を予測する。
論文 参考訳（メタデータ） (2026-02-07T13:26:21Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - 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) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳（メタデータ） (2022-08-10T19:17:45Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - 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) - Manifold GPLVMs for discovering non-Euclidean latent structure in neural
data [5.949779668853555]
神経科学における一般的な問題は、行動的に重要な変数の集合的神経表現を解明することである。
本稿では,新しい確率潜在変数モデルを提案し,各ニューロンがその表現に寄与する潜在状態を同時に同定する。
論文 参考訳（メタデータ） (2020-06-12T19:08:54Z)
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。