論文の概要: NeuroLens: Learning Latent Embeddings of Neural Semantics from Chronic Recordings

• arxiv url: http://arxiv.org/abs/2610.02864v1
• Date: Fri, 02 Oct 2026 06:00:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.237036
• Title: NeuroLens: Learning Latent Embeddings of Neural Semantics from Chronic Recordings
• Title（参考訳）: NeuroLens: 慢性記録からのニューラルセマンティクスの潜伏埋め込み学習
• Abstract要約: 我々は、慢性的な神経記録から意味的に有意な潜伏を学習する自己教師型モデルであるNeuroLensを紹介する。 マウスとヒトの慢性皮質内データ全体において、学習された表現は意思決定と意味的タスク変数の復号化を改善する。
• 参考スコア（独自算出の注目度）: 6.203426971449871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how neural activity represents higher-order cognition and how these representations evolve over time has long been a central pursuit in neuroscience. However, current analytical tools cannot easily distinguish representational plasticity from recording instability in chronic neural recordings. Here, we introduce NeuroLens (Latent Embeddings of Neural Semantics), a self-supervised model based on the Joint-Embedding Predictive Architecture (JEPA) framework that learns denoised, semantically informative latents from chronic neural recordings. An adaptive encoder maps changing neural populations into a common latent space, while a temporal predictor learns structure that supports prediction of future latent states. By predicting in latent space, NeuroLens captures temporally predictable structure and reduces sensitivity to transient, recording-specific variability. Across chronic intracortical data in mice and humans, the learned representations improve decoding of decision-making and semantic task variables. Multi-day pretraining enables generalization to future sessions, rapid few-shot adaptation to unseen neural populations, and more stable decoding over time than state-of-the-art baselines. Together, these results establish NeuroLens as a new paradigm for studying how neural representations change during learning and over long timescales.
• Abstract（参考訳）: 神経活動が高次認知をどう表現するか、そしてこれらの表現が時間とともにどのように進化するかを理解することは、神経科学の中心的な研究であった。 しかし、現在の分析ツールは、表現の可塑性と慢性神経記録の不安定性を容易に区別することはできない。 本稿では,ニューロレンス(Latent Embeddings of Neural Semantics)について紹介する。ニューロレンス(NeuroLens,Latent Embeddings of Neural Semantics)は,慢性神経記録から認知的,意味的に有意な潜伏者を学習するJEPA(Joint-Embedding Predictive Architecture)フレームワークに基づく自己教師モデルである。 適応エンコーダは、神経集団の変化を共通の潜伏空間にマッピングし、時間予測器は将来の潜伏状態の予測をサポートする構造を学ぶ。 潜時空間で予測することで、NeuroLensは時間的に予測可能な構造を捕捉し、過渡的な記録特異的な変動に対する感受性を低下させる。 マウスとヒトの慢性皮質内データ全体において、学習された表現は意思決定と意味的タスク変数の復号化を改善する。 複数日間の事前トレーニングにより、将来のセッションへの一般化、目に見えない神経集団への迅速な数発の適応、最先端のベースラインよりも時間の経過とともにより安定した復号化が可能になる。 これらの結果は、学習中や長期にわたって神経表現がどのように変化するかを研究する新しいパラダイムとして、NeuroLensを確立している。

関連論文リスト

• 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)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• QuantFormer: Learning to Quantize for Neural Activity Forecasting in Mouse Visual Cortex [26.499583552980248]
  QuantFormerは、2光子カルシウムイメージングデータから神経活動を予測するために特別に設計されたトランスフォーマーベースのモデルである。 QuantFormerは、マウス視覚野の活動を予測する新しいベンチマークを設定している。 様々な刺激や個人に対して、堅牢なパフォーマンスと一般化を示す。
  論文  参考訳（メタデータ） (2024-12-10T07:44:35Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• STNDT: Modeling Neural Population Activity with a Spatiotemporal Transformer [19.329190789275565]
  我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。 本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:54:23Z)
• Capturing cross-session neural population variability through self-supervised identification of consistent neuron ensembles [1.2617078020344619]
  ディープニューラルネットワークの自己教師型トレーニングは、セッション間変動の補償に利用できることを示す。 シーケンシャルな自動符号化モデルは、未来まで数日間、完全に見えない記録セッションのために、最先端の動作復号性能を維持することができる。
  論文  参考訳（メタデータ） (2022-05-19T20:00:33Z)
• Dynamic Neural Diversification: Path to Computationally Sustainable Neural Networks [68.8204255655161]
  訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。 学習過程において隠れた層内のニューロンの多様性を探索する。 ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2021-09-20T15:12:16Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
  人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。 過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
  論文  参考訳（メタデータ） (2020-11-12T06:06:33Z)

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。