Detailansicht
Learning representations from time-series data with multi-step predictions
Vittorio Boarini
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Moritz Grosse-Wentrup
DOI
10.25365/thesis.79611
URN
urn:nbn:at:at-ubw:1-23022.90835.904965-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Das Verständnis dafür, wie neuronale Aktivität Verhalten steuert, erfordert die Analyse hochdimensionaler, verrauschter neuronaler Zeitreihendaten. Aktuelle Ansätze des Repräsentationslernens wie BunDLe-Net komprimieren neuronale Signale in niedrigdimensionale Einbettungen, die Verhaltensinformationen bewahren, aber auf einstufige Vorhersagen angewiesen sind, was ihre Fähigkeit einschränkt, langfristige zeitliche Abhängigkeiten und Verhaltensmotive zu erfassen, die sich über längere Zeiträume entfalten. Diese Arbeit untersucht, ob die Integration mehrstufiger Vorhersagen in neuronale Repräsentationslernframeworks die Modellierung langfristiger neuraler Dynamiken verbessern kann, indem die BunDLe-Net-Architektur erweitert wird. Unter Verwendung neuronaler Aufzeichnungen von C. elegans während Sauerstoffstimulationsexperimenten vergleicht die Forschung qualitativ und quantitativ verschiedene mehrstufige Vorhersageansätze, einschließlich multiple-output, recursive und direct Vorhersagestrategien. Das mehrstufige BunDLe-Net mit multiple-output, das alle zukünftigen Zustände gleichzeitig in einem einzigen Vorwärtsdurchlauf vorhersagt, übertraf einstufige Ansätze erheblich, indem es reichhaltige, interpretierbare neurale Repräsentationen lernte, die verschiedene Verhaltensreaktionen klar voneinander trennten. Diese Ergebnisse zeigen, dass mehrstufige Vorhersagen die Modellierung langfristiger neuraler Dynamiken erheblich verbessern und interpretierbarere sowie verhaltensrelevantere Repräsentationen erzeugen.
Abstract
(Englisch)
Understanding how neural activity drives behavior requires analyzing high-dimensional, noisy neuronal time-series data. Current representation learning approaches like BunDLe-Net compress neuronal signals into low-dimensional embeddings that preserve behavioral information, but rely on single-step prediction that limits their ability to capture long-term temporal dependencies and behavioral motifs unfolding over extended periods. This thesis investigates whether integrating multi-step prediction into neuronal representation learning frameworks can improve the modeling of long-term neural dynamics by extending the BunDLe-Net architecture. Using neuronal recordings from C. elegans during oxygen stimulation experiments, the research compares qualitatively and quantitatively several multi-step prediction approaches including multiple-output, recursive, and direct prediction strategies. The multiple-output multi-step BunDLe-Net, which predicts all future states simultaneously in a single forward pass, substantially outperformed single-step approaches by learning rich, interpretable neural representations that clearly separated distinct behavioral responses. These results show that multi-step prediction significantly improves the modeling of long-term neural dynamics, producing more interpretable and behaviorally informative representations.
Schlagwörter
Schlagwörter
(Deutsch)
Repräsentationslernen Zeitreihendaten Neuronales Manifold-Lernen Mehrstufige Vorhersage
Schlagwörter
(Englisch)
Representation Learning Time-series data Neuronal Manifold Learning Multi-step prediction
Autor*innen
Vittorio Boarini
Haupttitel (Englisch)
Learning representations from time-series data with multi-step predictions
Publikationsjahr
2025
Umfangsangabe
vii, 38 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Moritz Grosse-Wentrup
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17702394
Utheses ID
77896
Studienkennzahl
UA | 066 | 921 | |