Learning Time-Varying Multi-Region Communications via Scalable Markovian Gaussian Processes

要約

複数の領域にまたがる動的な脳内コミュニケーションを理解し構築することは、現代のシステム神経科学の基本であるが、現在の手法では、時間変化する領域レベルのコミュニケーションを見つけることや、長い記録時間を持つ大規模な神経データセットに対応することは困難である。我々は、マルコフガウス過程を用いた新しいフレームワークを提案し、適応遅延モデル（ADM）と名付けた、多領域の神経記録から、時間的に変化する遅延を伴う脳コミュニケーションを学習する。本手法は、ガウス過程と状態空間モデルを組み合わせ、並列スキャン推論アルゴリズムを採用することで、大規模データセットへの効率的なスケーリングを可能にすると同時に、時間と共に進化する同時通信パターンを同定する。この時間変化するアプローチは、認知プロセスにおいて脳領域の相互作用がどのように動的に変化するかを捉える。合成データセットと多領域神経記録データセットで検証した結果、我々のアプローチは神経コミュニケーションの方向性と時間的ダイナミクスの両方を発見した。本研究は、分散神経計算の理解を進め、動的な脳ネットワークを解析するためのスケーラブルなツールを提供する。

要約(オリジナル)

Understanding and constructing brain communications that capture dynamic communications across multiple regions is fundamental to modern system neuroscience, yet current methods struggle to find time-varying region-level communications or scale to large neural datasets with long recording durations. We present a novel framework using Markovian Gaussian Processes to learn brain communications with time-varying temporal delays from multi-region neural recordings, named Adaptive Delay Model (ADM). Our method combines Gaussian Processes with State Space Models and employs parallel scan inference algorithms, enabling efficient scaling to large datasets while identifying concurrent communication patterns that evolve over time. This time-varying approach captures how brain region interactions shift dynamically during cognitive processes. Validated on synthetic and multi-region neural recordings datasets, our approach discovers both the directionality and temporal dynamics of neural communication. This work advances our understanding of distributed neural computation and provides a scalable tool for analyzing dynamic brain networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL