Fugu-MT 論文翻訳(概要): Grid Cells Are Ubiquitous in Neural Networks

論文の概要: Grid Cells Are Ubiquitous in Neural Networks

arxiv url: http://arxiv.org/abs/2003.03482v2
Date: Wed, 9 Sep 2020 09:38:15 GMT
ステータス: 処理完了
システム内更新日: 2022-12-25 19:49:04.951854
Title: Grid Cells Are Ubiquitous in Neural Networks
Title（参考訳）: 格子細胞はニューラルネットワークでユビキタス
Authors: Li Songlin, Deng Yangdong, Wang Zhihua
Abstract要約: 格子細胞は空間的および非空間的認知タスクにおいて重要な役割を果たしていると考えられている。最近の研究では、LSTMの経路積分のための格子細胞の出現が観察されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Grid cells are believed to play an important role in both spatial and non-spatial cognition tasks. A recent study observed the emergence of grid cells in an LSTM for path integration. The connection between biological and artificial neural networks underlying the seemingly similarity, as well as the application domain of grid cells in deep neural networks (DNNs), expect further exploration. This work demonstrated that grid cells could be replicated in either pure vision based or vision guided path integration DNNs for navigation under a proper setting of training parameters. We also show that grid-like behaviors arise in feedforward DNNs for non-spatial tasks. Our findings support that the grid coding is an effective representation for both biological and artificial networks.
Abstract（参考訳）: 格子細胞は空間的および非空間的認知的タスクにおいて重要な役割を果たすと考えられている。最近の研究では、LSTMの経路積分のための格子細胞の出現が観察されている。見かけの類似性の基礎となる生物学的ニューラルネットワークと人工ニューラルネットワークの接続と、ディープニューラルネットワーク(dnn)におけるグリッドセルの応用ドメインは、さらなる探索を期待する。この研究は、訓練パラメータの適切な設定の下で、グリッドセルを純粋視覚ベースまたは視覚誘導経路統合dnnで複製できることを示した。また,非空間的タスクに対するフィードフォワードdnnにおけるグリッド様の振る舞いも示す。本研究は, グリッド符号化が生体ネットワークと人工ネットワークの両方において有効な表現であることを示す。

関連論文リスト

Coding schemes in neural networks learning classification tasks [52.22978725954347]
完全接続型広義ニューラルネットワーク学習タスクについて検討する。ネットワークが強力なデータ依存機能を取得することを示す。驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
論文参考訳（メタデータ） (2024-06-24T14:50:05Z)
Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文参考訳（メタデータ） (2024-01-09T07:31:34Z)
Self-Supervised Learning of Representations for Space Generates Multi-Modular Grid Cells [16.208253624969142]
哺乳類の系統は顕著な空間表現を発達させました重要な空間表現の一つがノーベル賞受賞格子細胞である。ノーベル賞受賞時のグリッド細胞は、自己位置、局所的および周期的な量を表す。
論文参考訳（メタデータ） (2023-11-04T03:59:37Z)
Inferring Gene Regulatory Neural Networks for Bacterial Decision Making in Biofilms [4.459301404374565]
細菌細胞は環境を学習するのに用いられる様々な外部信号に敏感である。遺伝性遺伝子制御ニューラルネットワーク(GRNN)の動作は、細胞決定を可能にする。 GRNNはバイオハイブリッドコンピューティングシステムのための計算タスクを実行できる。
論文参考訳（メタデータ） (2023-01-10T22:07:33Z)
Functional Connectome: Approximating Brain Networks with Artificial Neural Networks [1.952097552284465]
訓練されたディープニューラルネットワークは、合成生物学的ネットワークによって実行される計算を高精度に捉えることができることを示す。訓練されたディープニューラルネットワークは、新しい環境でゼロショットの一般化を実行可能であることを示す。本研究は, システム神経科学における新規かつ有望な方向性を明らかにする。
論文参考訳（メタデータ） (2022-11-23T13:12:13Z)
Conformal Isometry of Lie Group Representation in Recurrent Network of Grid Cells [52.425628028229156]
本稿では,リカレントネットワークモデルを用いたグリッドセルの特性について検討する。グリッドセルの連続的誘引ニューラルネットワークの基盤となる,単純な非線形リカレントモデルに着目する。
論文参考訳（メタデータ） (2022-10-06T05:26:49Z)
Deep Neural Networks as Complex Networks [1.704936863091649]
我々は、重み付きグラフとしてディープニューラルネットワーク(DNN)を表現するために複雑ネットワーク理論を用いる。我々は、DNNを動的システムとして研究するためのメトリクスを導入し、その粒度は、重みから神経細胞を含む層まで様々である。我々の測定値が低性能ネットワークと高パフォーマンスネットワークを区別していることが示される。
論文参考訳（メタデータ） (2022-09-12T16:26:04Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Grid Cell Path Integration For Movement-Based Visual Object Recognition [0.0]
我々は,任意の入力列が与えられたオブジェクトの信頼性認識を支援するために,格子セルをベースとした皮質ネットワークの経路統合をいかに行うかを示す。我々のネットワーク(GridCellNet)は、グリッドセル計算を用いて視覚情報を統合し、動きに基づいて予測を行う。
論文参考訳（メタデータ） (2021-02-17T23:52:57Z)
Exploiting Heterogeneity in Operational Neural Networks by Synaptic Plasticity [87.32169414230822]
最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
論文参考訳（メタデータ） (2020-08-21T19:03:23Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。