論文の概要: Inferring Multi-Timescale Neural Dynamics with Switching Linear Dynamical Systems
- arxiv url: http://arxiv.org/abs/2610.01786v1
- Date: Thu, 01 Oct 2026 14:33:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.194557
- Title: Inferring Multi-Timescale Neural Dynamics with Switching Linear Dynamical Systems
- Title（参考訳）: スイッチング線形力学系を用いたマルチタイムスケールニューラルダイナミクスの推論
- Abstract要約: 我々は、連続的またはスパイク的な神経観測から、状態特異的潜時スケールを識別するためのフレームワークを導入する。
MTS-SLDSは、複数の観測ラグにまたがる時間構造を、テクスitregime-conditioned Laplace-EM推論で捉えている。
タイムスケールを正確に回復し、複数のデータセット上で構造を切り替える。
- 参考スコア（独自算出の注目度）: 4.679060679983501
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural activity often exhibits multiple timescales that can vary with behavioral states and task conditions. Identifying these timescales from neural recordings is important for better understanding neural computation and function. However, traditional approaches based on autocorrelation fitting are difficult to scale to high-dimensional population recordings and can become unreliable when neural dynamics change with behavior. State-space models have been a powerful framework for modeling high-dimensional neural population activity through latent dynamical systems, but standard formulations and inference methods do not explicitly account for multiple timescales and therefore do not guarantee accurate recovery of the underlying temporal structure. Motivated by these questions, we introduce the Multi-Timescale Switching Linear Dynamical System (MTS-SLDS), a framework for identifying regime-specific latent timescales from continuous or spiking neural observations. MTS-SLDS combines a multi-lag moment initialization, which captures temporal structure across multiple observation lags, with \textit{regime-conditioned} Laplace-EM inference, which reduces mixing of dynamical statistics across uncertain regimes. Characteristic timescales can then be extracted directly from the eigenvalues of the learned latent transition matrices. In synthetic and neural experiments with Gaussian and Poisson spike observations, MTS-SLDS accurately recovers timescales and switching structure over multiple datasets.
- Abstract（参考訳）: 神経活動はしばしば、行動状態やタスク条件によって変化する複数の時間尺度を示す。
これらの時間スケールをニューラル記録から同定することは、ニューラル計算と関数をよりよく理解するために重要である。
しかし、自己相関フィッティングに基づく従来のアプローチは、高次元の人口記録にスケールすることは困難であり、神経力学が行動によって変化すると信頼性が低下する可能性がある。
状態空間モデルは、潜在力学系を通じて高次元の神経集団活動をモデル化するための強力なフレームワークであるが、標準定式化や推論手法は複数の時間スケールを明示的に考慮していないため、基礎となる時間構造の正確な回復は保証されていない。
これらの質問に触発されて、我々は、連続的またはスパイク的な神経観測から、状態特異的潜時スケールを特定するためのフレームワークであるMTS-SLDS(Multi-Timescale Switching Linear Dynamical System)を紹介した。
MTS-SLDSはマルチラグモーメントの初期化を組み合わせ、複数の観測ラグをまたいだ時間構造を捉える。
次に、学習した潜在遷移行列の固有値から直接特性時間スケールを抽出することができる。
ガウスとポアソンのスパイク観測による合成および神経実験では、MSS-SLDSは正確に時間スケールを回復し、複数のデータセット上で構造を切り替える。
関連論文リスト
- Time-Varying Deep State Space Models for Sequences with Switching Dynamics [2.309307613420651]
時間変化状態空間モデルに基づくニューラルネットワークのクラスを提案する。
提案モデルは,基礎関数の辞書を通じて学習可能な時間変化ダイナミクスを提供する。
スイッチングシステムからの合成データと音声認識タスクの両方に対する提案手法の評価を行った。
論文 参考訳（メタデータ） (2026-05-14T18:25:04Z) - NeuroSSM: Multiscale Differential State-Space Modeling for Context-Aware fMRI Analysis [4.753690672619091]
本稿では,fMRI時系列における生BOLD信号のエンドツーエンド解析のための選択的状態空間アーキテクチャであるNeuroSSMを提案する。
NeuroSSMは2つの相補的な設計コンポーネントを通じて上記の制限に対処する。
臨床および非臨床データセットの実験は、NeuroSSMが最先端のfMRI分析法と競合する性能と効率を達成することを示した。
論文 参考訳（メタデータ） (2026-01-03T16:35:45Z) - Unsupervised learning of multiscale switching dynamical system models from multimodal neural data [2.714583452862024]
神経集団活動は、しばしばスイッチングダイナミクスの形で、状態に依存しない非定常性を示す。
我々は,マルチスケールの神経観測のみを用いて,マルチスケールの力学系モデルを切り替えるパラメータを学習する,新しい教師なし学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-12-14T23:49:12Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - 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) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-05-06T08:48:02Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - Learning Continuous-Time Dynamics by Stochastic Differential Networks [32.63114111531396]
変動微分ネットワーク(VSDN)という,フレキシブルな連続時間リカレントニューラルネットワークを提案する。
VSDNは神経微分方程式(SDE)による散発時間系列の複雑なダイナミクスを埋め込む
VSDNは最先端の継続的ディープラーニングモデルより優れており、散発時系列の予測やタスクにおいて優れた性能を発揮する。
論文 参考訳（メタデータ） (2020-06-11T01:40:34Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。