論文の概要: Artificial neural networks for neuroscientists: A primer
- arxiv url: http://arxiv.org/abs/2006.01001v2
- Date: Thu, 24 Sep 2020 16:15:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 07:41:35.535855
- Title: Artificial neural networks for neuroscientists: A primer
- Title（参考訳）: 神経科学者のためのニューラルネットワーク : プライマー
- Authors: Guangyu Robert Yang, Xiao-Jing Wang
- Abstract要約: ニューラルネットワーク(ANN)は、神経科学に注目が集まる機械学習において必須のツールである。
この教養的なプライマーでは、ANNを導入し、神経科学的な問題を研究するためにどのように成果を上げてきたかを実証する。
この数学的枠組みを神経生物学に近づけることに焦点をあてて、ANNの分析、構造、学習のカスタマイズ方法について詳述する。
- 参考スコア（独自算出の注目度）: 4.771833920251869
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial neural networks (ANNs) are essential tools in machine learning
that have drawn increasing attention in neuroscience. Besides offering powerful
techniques for data analysis, ANNs provide a new approach for neuroscientists
to build models for complex behaviors, heterogeneous neural activity and
circuit connectivity, as well as to explore optimization in neural systems, in
ways that traditional models are not designed for. In this pedagogical Primer,
we introduce ANNs and demonstrate how they have been fruitfully deployed to
study neuroscientific questions. We first discuss basic concepts and methods of
ANNs. Then, with a focus on bringing this mathematical framework closer to
neurobiology, we detail how to customize the analysis, structure, and learning
of ANNs to better address a wide range of challenges in brain research. To help
the readers garner hands-on experience, this Primer is accompanied with
tutorial-style code in PyTorch and Jupyter Notebook, covering major topics.
- Abstract（参考訳）: ニューラルネットワーク(anns)は、神経科学の注目を集めている機械学習の重要なツールである。
データ分析のための強力な技術を提供するだけでなく、ANNは神経科学者が複雑な振る舞い、異種神経活動、回路接続のためのモデルを構築するための新しいアプローチを提供し、従来のモデルが設計されていない方法で、ニューラルネットワークの最適化を探求する。
この教育的プライマーでは、ANNを導入し、神経科学的な問題の研究にどのように役立ってきたかを実証する。
まず、ANNの基本概念と方法について議論する。
そして、この数学的枠組みを神経生物学に近づけることに焦点をあてて、脳研究における幅広い課題に対処するために、ANNの分析、構造、学習をいかにカスタマイズするかを詳述する。
読者のハンズオン体験を支援するため、このPrimerにはPyTorchとJupyter Notebookのチュートリアルスタイルのコードが付属しており、主要なトピックをカバーしている。
関連論文リスト
- Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Learning to Act through Evolution of Neural Diversity in Random Neural
Networks [9.387749254963595]
ほとんどの人工ニューラルネットワーク(ANN)では、神経計算は通常すべてのニューロン間で共有される活性化関数に抽象化される。
本稿では,複雑な計算を行うことができる多様なニューロンの集合を実現するために,神経中心パラメータの最適化を提案する。
論文 参考訳（メタデータ） (2023-05-25T11:33:04Z) - Towards NeuroAI: Introducing Neuronal Diversity into Artificial Neural
Networks [20.99799416963467]
ヒトの脳では、神経の多様性はあらゆる生物学的知的行動に有効である。
本稿では,まず,生物ニューロンの多様性と情報伝達・処理の特徴について論じる。
論文 参考訳（メタデータ） (2023-01-23T02:23:45Z) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳（メタデータ） (2022-12-08T15:16:04Z) - Learning to learn online with neuromodulated synaptic plasticity in
spiking neural networks [0.0]
神経科学からの神経調節性シナプス可塑性のモデルは、勾配降下を通して学習するために訓練可能であることを示す。
このフレームワークは、神経科学にインスパイアされたオンライン学習アルゴリズムを開発するための新しい道を開く。
論文 参考訳（メタデータ） (2022-06-25T00:28:40Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳（メタデータ） (2022-05-25T20:16:05Z) - Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。
本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。
NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から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） (2022-05-25T12:41:59Z) - Neural Networks, Artificial Intelligence and the Computational Brain [0.0]
本研究では、生物ニューロンのシミュレータとしてのANNの概念を検討する。
また、なぜ脳のような知能が必要なのか、そしてそれが計算フレームワークとどのように異なるのかを探求する。
論文 参考訳（メタデータ） (2020-12-25T05:56:41Z)
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。