論文の概要: Learning Behaviorally Relevant Dynamics in Multimodal Neural Recordings

• arxiv url: http://arxiv.org/abs/2611.05167v1
• Date: Tue, 03 Nov 2026 16:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 13:57:29.862892
• Title: Learning Behaviorally Relevant Dynamics in Multimodal Neural Recordings
• Title（参考訳）: マルチモーダルニューラル記録における行動関連ダイナミクスの学習
• Abstract要約: 我々は,動作を複数のニューラルなモーダル性と統合する非線形マルチモーダル力学モデルBREM-NETを開発した。 BREM-NETは、行動関連および残留神経力学を分離しながら、推論中にマルチモーダル神経融合を行う。 このフレームワークは、脳活動の時間スケールにわたる行動関連神経計算を研究するための新しいツールを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multimodal neural data can enable a more complete understanding of brain dynamics underlying behavior. Modalities such as spiking activity, local field potentials (LFPs), and behavior capture diverse spatiotemporal aspects of brain processes, yet prior neural-behavioral models that separate sources of variability rely on a single neural modality. By leveraging these complementary strengths, multimodal neural fusion can provide a unified, rich representation of brain-behavior processes and address the limitations of single-modality analyses. Here we develop BREM-NET, a nonlinear multimodal dynamical model that integrates behavior with multiple neural modalities having distinct statistical characteristics and temporal resolutions. BREM-NET performs multimodal neural fusion during inference while separating behaviorally relevant and residual neural dynamics via a structured learning framework. In a public multimodal non-human primate dataset with simultaneous spiking and local field potential recordings during a 2D reaching task, BREM-NET separates these two types of dynamics and learns them more accurately, as reflected in better behavior decoding, better neural prediction, and stronger latent alignment with behavior, and it retains these capabilities when neural modalities are asynchronous or suffer dropouts, which are major challenges in real-world recordings. This framework provides a new tool for studying behaviorally relevant neural computations across spatiotemporal scales of brain activity.
• Abstract（参考訳）: マルチモーダルニューラルネットワークは、脳のダイナミクスの振る舞いをより完全に理解することを可能にする。 スパイキング活動、局所野電位(LFP)、行動などの運動は、脳プロセスの様々な時空間的側面を捉えているが、変化源を分離する以前の神経行動モデルでは、単一の神経モードに依存している。 これらの相補的な強みを活用することで、マルチモーダル神経融合は脳-行動過程の統一的でリッチな表現を提供し、単一モーダル分析の限界に対処することができる。 本稿では,統計特性と時間分解能の異なる複数のニューラルなモーダル性と挙動を統合する非線形マルチモーダル力学モデルBREM-NETを提案する。 BREM-NETは、構造化学習フレームワークを介して行動関連および残留神経力学を分離しながら、推論中にマルチモーダル神経融合を行う。 BREM-NETは、2D到達タスク中に同時スパイクと局所場電位記録を持つ公共のマルチモーダルな非人間霊長類データセットにおいて、これらの2種類のダイナミクスを分離し、より優れた行動復号化、より優れたニューラル予測、より強力な潜在性アライメントに反映されるように、それらをより正確に学習する。 このフレームワークは、脳活動の時空間スケールにわたる行動関連神経計算を研究するための新しいツールを提供する。

関連論文リスト

• Machine Learning Methods for Studying Latent Neural Activity Dynamics [12.099094884682282]
  脳記録の最近の進歩は、多数のニューロンの潜伏構造を復号化できる機械学習ツールの需要を加速させている。 本稿では、初期状態空間モデルから近年の深層生成モデルへの潜在変数モデル(LVM)の軌跡を概説する。
  論文  参考訳（メタデータ） (2026-06-09T08:01:11Z)
• 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)
• Neural Encoding and Decoding at Scale [42.33285735011587]
  NEDS(Neural and Decoding at Scale)を実現するマルチモーダルマルチタスクモデルを提案する。 私たちのアプローチの中心は、神経、行動、内部モダリティ、および相互モダリティマスキングを交互に交互に行う、新しいマルチタスクマスキング戦略です。 NEDSは、複数動物データに基づいて事前訓練された後、新しい動物に微調整された際に、符号化と復号の両方の最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-11T02:06:20Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)

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。