論文の概要: Understanding Information Processing in Human Brain by Interpreting
Machine Learning Models
- arxiv url: http://arxiv.org/abs/2010.08715v1
- Date: Sat, 17 Oct 2020 04:37:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 11:39:01.945345
- Title: Understanding Information Processing in Human Brain by Interpreting
Machine Learning Models
- Title(参考訳): 機械学習モデルによる脳内情報処理の理解
- Authors: Ilya Kuzovkin
- Abstract要約: この論文は、ニューラルネットワークの直感的な計算モデルを作成する上で、機械学習メソッドが果たす役割を探求している。
この視点は、コンピュータ神経科学に対する探索的およびデータ駆動のアプローチが果たす大きな役割を支持する。
- 参考スコア(独自算出の注目度): 1.14219428942199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The thesis explores the role machine learning methods play in creating
intuitive computational models of neural processing. Combined with
interpretability techniques, machine learning could replace human modeler and
shift the focus of human effort to extracting the knowledge from the ready-made
models and articulating that knowledge into intuitive descroptions of reality.
This perspective makes the case in favor of the larger role that exploratory
and data-driven approach to computational neuroscience could play while
coexisting alongside the traditional hypothesis-driven approach.
We exemplify the proposed approach in the context of the knowledge
representation taxonomy with three research projects that employ
interpretability techniques on top of machine learning methods at three
different levels of neural organization. The first study (Chapter 3) explores
feature importance analysis of a random forest decoder trained on intracerebral
recordings from 100 human subjects to identify spectrotemporal signatures that
characterize local neural activity during the task of visual categorization.
The second study (Chapter 4) employs representation similarity analysis to
compare the neural responses of the areas along the ventral stream with the
activations of the layers of a deep convolutional neural network. The third
study (Chapter 5) proposes a method that allows test subjects to visually
explore the state representation of their neural signal in real time. This is
achieved by using a topology-preserving dimensionality reduction technique that
allows to transform the neural data from the multidimensional representation
used by the computer into a two-dimensional representation a human can grasp.
The approach, the taxonomy, and the examples, present a strong case for the
applicability of machine learning methods to automatic knowledge discovery in
neuroscience.
- Abstract(参考訳): この論文は、ニューラルネットワークの直感的な計算モデルの作成に機械学習手法が果たす役割を探求している。
解釈可能性技術と組み合わせることで、機械学習は人間のモデラーを置き換え、人間の努力の焦点を、準備されたモデルから知識を抽出し、その知識を直感的な現実のデクロプションへと表現する。
この観点は、従来の仮説駆動のアプローチと共存しながら、探索的およびデータ駆動の計算神経科学のアプローチが果たす大きな役割を支持する。
ニューラルネットワークの3つの異なるレベルにおいて、機械学習手法の上に解釈可能性技術を用いる3つの研究プロジェクトを用いて、知識表現分類の文脈で提案手法を例示する。
第1回(チャップター)
3)100名の被験者の脳内記録に基づいて訓練されたランダムフォレストデコーダの特徴的重要度解析を行い,視覚分類作業中に局所的な神経活動を特徴付けるスペクトル時間的シグネチャを同定する。
第2回(チャップター)
4) 表現類似性解析を用いて, 深層畳み込みニューラルネットワークのレイヤの活性化と腹側の流れに沿った領域の神経応答を比較する。
第3研究(第3章)
5) 被験者が神経信号の状態表現をリアルタイムで視覚的に探索できる手法を提案する。
これは、コンピュータが使用する多次元表現から人間が把握できる2次元表現に変換することができるトポロジ保存次元減少技術を用いて達成される。
このアプローチ、分類、例では、神経科学における知識の自動発見への機械学習手法の適用性が強く示されている。
関連論文リスト
- 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) - Interpretability of Neural Network With Physiological Mechanisms [5.1971653175509145]
ディープラーニングは、レグレッションと分類タスクの様々な領域で異常な精度を達成した強力な最先端技術として、引き続き機能している。
ニューラルネットワークモデルを最初に提案する目的は、数学的表現アプローチを使用して複雑な人間の脳を理解することを改善することである。
近年のディープラーニング技術は、ブラックボックス近似器として扱われることによって、機能的プロセスの解釈を失う傾向にある。
論文 参考訳(メタデータ) (2022-03-24T21:40:04Z) - 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) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳(メタデータ) (2021-12-02T12:45:46Z) - 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) - Neuronal Learning Analysis using Cycle-Consistent Adversarial Networks [4.874780144224057]
我々は、-CycleGANと呼ばれる深層生成モデルを用いて、前学習と後学習の神経活動の間の未知のマッピングを学習する。
我々は,カルシウム蛍光信号を前処理し,訓練し,評価するためのエンドツーエンドパイプラインを開発し,その結果の深層学習モデルを解釈する手法を開発した。
論文 参考訳(メタデータ) (2021-11-25T13:24:19Z) - Neural Fields in Visual Computing and Beyond [54.950885364735804]
機械学習の最近の進歩は、座標ベースニューラルネットワークを用いた視覚コンピューティング問題の解決への関心が高まっている。
ニューラルネットワークは、3D形状と画像の合成、人体のアニメーション、3D再構成、ポーズ推定に成功している。
本報告は、文脈、数学的基礎、および、ニューラルネットワークに関する文献の広範なレビューを提供する。
論文 参考訳(メタデータ) (2021-11-22T18:57:51Z) - Drop, Swap, and Generate: A Self-Supervised Approach for Generating
Neural Activity [33.06823702945747]
我々はSwap-VAEと呼ばれる神経活動の不整合表現を学習するための新しい教師なしアプローチを導入する。
このアプローチは、生成モデリングフレームワークとインスタンス固有のアライメント損失を組み合わせたものです。
我々は、行動に関連付けられた関連する潜在次元に沿って、ニューラルネットワークをアンタングルする表現を構築することが可能であることを示す。
論文 参考訳(メタデータ) (2021-11-03T16:39:43Z) - Information theoretic analysis of computational models as a tool to
understand the neural basis of behaviors [0.0]
今世紀最大の研究課題の1つは、脳の身体環境システムにおける行動の神経基盤を理解することである。
計算モデルは、モデルシステムを研究することができる別のフレームワークを提供する。
本稿では,計算モデルの情報理論解析が強力な研究手法であることを示すための紹介,レビュー,議論を行う。
論文 参考訳(メタデータ) (2021-06-02T02:08:18Z) - Neural population geometry: An approach for understanding biological and
artificial neural networks [3.4809730725241605]
生体および人工ニューラルネットワークの機能に関する洞察を提供する幾何学的アプローチの例を概観する。
神経集団幾何学は、生体と人工のニューラルネットワークにおける構造と機能の理解を統一する可能性がある。
論文 参考訳(メタデータ) (2021-04-14T18:10:34Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳(メタデータ) (2020-03-23T14:55:00Z)
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。