論文の概要: SpikeSSL: A Universal Spike Inference Framework with Dynamics-Informed State-Space Layers

• arxiv url: http://arxiv.org/abs/2610.11456v1
• Date: Thu, 08 Oct 2026 08:09:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.883609
• Title: SpikeSSL: A Universal Spike Inference Framework with Dynamics-Informed State-Space Layers
• Title（参考訳）: SpikeSSL: 動的インフォームドステートスペースレイヤを備えたユニバーサルスパイク推論フレームワーク
• Abstract要約: SpikeSSLは、カルシウムイメージングのための普遍的なスパイク推論フレームワークである。 ドメイン内およびゼロショットのLeft-one-indicator-out設定の両方で、最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 0.48001386158599363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two-photon calcium imaging is a standard tool for recording large neural populations in vivo, yet inferring spikes accurately across the growing diversity of calcium indicators remains an open problem. Existing supervised methods achieve reasonable in-domain accuracy but generalize poorly to unseen indicators, because different indicators induce distinct fluorescence kinetics and signal statistics while existing architectures remain relatively simple generic temporal regressors without dynamics-matched inductive bias. We propose SpikeSSL, a universal spike inference framework whose temporal backbone is a bank of bidirectional IIR state-space layers broadly motivated by calcium dynamics. A multi-modal conditioning encoder maps indicator identity, sampling rate, and trace-level signal statistics into a global conditioning vector that modulates the backbone via Adaptive Layer Normalization, while a heteroscedastic variance head provides calibrated per-frame uncertainty. On a benchmark with five fixed evaluation splits built from 33 public ground-truth datasets, SpikeSSL achieves state-of-the-art performance in both in-domain and zero-shot leave-one-indicator-out settings. We also develop a biophysical simulation pipeline capable of generating paired fluorescence-spike traces with systematically varied kinetic parameters, spike statistics, response nonlinearities, baseline drift, and noise. Using this pipeline, we synthesize approximately 11,000 simulated traces. Augmenting training with these data effectively closes the cross-indicator domain gap and improves zero-shot generalization. Code is publicly available at https://github.com/detimage123/SpikeSSL.
• Abstract（参考訳）: 2光子カルシウムイメージングは、生体内で大きな神経集団を記録するための標準的なツールであるが、成長するカルシウムインジケータの多様性にわたって正確にスパイクを推定することは、未解決の問題である。 既存のアーキテクチャは、動的に整合した帰納バイアスを伴わない比較的単純な時間的回帰器のままでありながら、異なる指標が異なる蛍光運動学と信号統計を誘導するため、既存の教師付き手法はドメイン内の妥当な精度を達成できるが、見知らぬ指標に不適当に一般化する。 このフレームワークは、時間的バックボーンが、カルシウム力学によって広く動機づけられた双方向IIR状態空間層のバンクである、普遍的なスパイク推論フレームワークである。 マルチモーダルコンディショニングエンコーダは、インジケータID、サンプリングレート、トレースレベルの信号統計を、アダプティブレイヤー正規化を介してバックボーンを変調するグローバルコンディショニングベクトルにマッピングする。 33のパブリックグラウンドトゥルースデータセットから構築された5つの固定評価分割によるベンチマークで、SpikeSSLは、ドメイン内とゼロショットのLeft-one-indicator-out設定の両方で最先端のパフォーマンスを達成する。 また, 生体物理シミュレーションパイプラインを構築し, 動的パラメータ, スパイク統計, 応答非線形性, ベースラインドリフト, ノイズを系統的に変化させた蛍光-スパイク跡を生成する。 このパイプラインを用いて,約11,000個の模擬トレースを合成する。 これらのデータによるトレーニングの強化は、クロスインデックスのドメインギャップを効果的に閉鎖し、ゼロショットの一般化を改善する。 コードはhttps://github.com/detimage123/SpikeSSLで公開されている。

関連論文リスト

• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• Survey of Novel Deep Learning Architectures for Denoising Gravitational-wave Signals [0.0]
  重力波デノジングのための5つのニューラルネットワークアーキテクチャの制御された最初の比較について述べる。 我々は、全天体物理学的に動機づけられた回転二乗ブラックホールパラメータ空間を同時に訓練する。 ネットワーク構造とコリケーションのスペクトル解剖との整合性は、ブルートフォースモデルスケーリングよりも優れる。
  論文  参考訳（メタデータ） (2026-09-07T18:00:10Z)
• SPOTR: Spatio-temporal Pooling One-Token Reconstruction for Universal Physiological Signal Self-supervised Learning [18.599696865060835]
  SPOTR (Spatio-temporal Pooling One-Token Reconstruction) は, 生理学的信号の圧縮・再構成事前学習フレームワークである。 SPOTRは各波形を一括表現に圧縮し、この表現にのみ条件付き信号ボトルネックを再構成する。 EEG、iEEG、ECG、PPGにまたがる20のデータセットで事前訓練されたSPOTRは、線形探索において最強のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-20T10:01:55Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Silent Inconsistency in Data-Parallel Full Fine-Tuning: Diagnosing Worker-Level Optimization Misalignment [27.352639822596146]
  クロスワーカーの損失と勾配のばらつきは、従来の監視信号では見えない。 本稿では,標準パイプラインで容易に利用できるトレーニング信号を用いて,作業者レベルの一貫性を定量化する,モデルに依存しない診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T04:42:30Z)
• Doppler Invariant CNN for Signal Classification [0.0]
  本稿では、周波数領域における畳み込みシフトの等価性を利用する複雑な値を持つ畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 ドップラーシフトのない例では, ランダムなドップラーシフトを伴わない場合と, ランダムなドップラーシフトを伴わない場合とで, 本モデルが一貫した分類精度を維持していることを示す。
  論文  参考訳（メタデータ） (2025-11-18T16:31:13Z)
• SpikeGrasp: A Benchmark for 6-DoF Grasp Pose Detection from Stereo Spike Streams [57.84331423686738]
  ほとんどのロボットの把握システムは、センサーデータを明示的な3Dポイントの雲に変換することに依存しており、これは生物学的知性には見つからない計算ステップである。 生体振動子経路を模倣するフレームワークであるSpikeGraspを導入し、立体スパイクカメラから生の非同期イベントを処理する。 我々のモデルは、これらのステレオスパイクストリームを融合させ、高レベルの視覚処理に類似した繰り返しスパイクニューラルネットワークを使用して、点雲を再構築することなく、把握仮説を反復的に洗練する。
  論文  参考訳（メタデータ） (2025-10-12T13:36:40Z)
• SpikeStereoNet: A Brain-Inspired Framework for Stereo Depth Estimation from Spike Streams [70.9610707466343]
  バイオインスパイクカメラは、マイクロ秒レベルの解像度で非同期イベントを出力し、代替のセンシングモードを提供する。 既存の手法には、スパイクデータに適した特別なステレオアルゴリズムとベンチマークが欠けている。 本稿では,脳にインスパイアされたフレームワークであるSpikeStereoNetを提案する。
  論文  参考訳（メタデータ） (2025-05-26T04:14:34Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)

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。