論文の概要: Few-shot Decoding of Brain Activation Maps
- arxiv url: http://arxiv.org/abs/2010.12500v3
- Date: Wed, 19 May 2021 15:11:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 23:36:09.714089
- Title: Few-shot Decoding of Brain Activation Maps
- Title（参考訳）: 脳活性化マップのマイトショットデコード
- Authors: Myriam Bontonou, Giulia Lioi, Nicolas Farrugia, Vincent Gripon
- Abstract要約: 限られた数のトレーニングサンプルが利用可能である問題に、少ないショットの学習が対処する。
数ショットの学習のためのニューロイメージングベンチマークデータセットを作成し、複数の学習パラダイムを比較する。
実験により、少数のショット法は、少数の例を使って脳信号を効率的に復号できることが示された。
- 参考スコア（独自算出の注目度）: 4.588028371034406
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot learning addresses problems for which a limited number of training
examples are available. So far, the field has been mostly driven by
applications in computer vision. Here, we are interested in adapting recently
introduced few-shot methods to solve problems dealing with neuroimaging data, a
promising application field. To this end, we create a neuroimaging benchmark
dataset for few-shot learning and compare multiple learning paradigms,
including meta-learning, as well as various backbone networks. Our experiments
show that few-shot methods are able to efficiently decode brain signals using
few examples, which paves the way for a number of applications in clinical and
cognitive neuroscience, such as identifying biomarkers from brain scans or
understanding the generalization of brain representations across a wide range
of cognitive tasks.
- Abstract（参考訳）: わずかなショット学習は、限られた数のトレーニング例が利用可能である問題に対処する。
これまでのところ、この分野は主にコンピュータビジョンの応用によって推進されている。
ここでは,最近導入された,有望な応用分野であるニューロイメージングデータを扱う問題を解決するための,少数ショット法の適用に関心を寄せる。
この目的のために,数ショット学習のためのニューロイメージングベンチマークデータセットを作成し,メタラーニングを含む複数の学習パラダイムと,さまざまなバックボーンネットワークを比較した。
脳のスキャンからバイオマーカーを同定したり、幅広い認知タスクにおける脳の表現の一般化を理解するなど、臨床および認知神経科学における多くの応用の道を開く数少ない例を用いて、脳信号を効率的に復号することができることを示す。
関連論文リスト
- MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - 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) - Redundancy and Concept Analysis for Code-trained Language Models [5.726842555987591]
コード学習言語モデルは、様々なコードインテリジェンスタスクに非常に効果的であることが証明されている。
計算ボトルネックとメモリ制約のため、多くのソフトウェアエンジニアリングアプリケーションのトレーニングとデプロイが難しい場合がある。
我々は,ソースコードモデルに対する最初のニューロンレベルの解析を行い,潜在表現内でのテクスチエントニューロンの同定を行う。
論文 参考訳（メタデータ） (2023-05-01T15:22:41Z) - Neuroevolutionary algorithms driven by neuron coverage metrics for
semi-supervised classification [60.60571130467197]
一部の機械学習アプリケーションでは、ラベル付けされていないインスタンスが豊富であるのに対して、教師付き分類のためのラベル付きインスタンスの可用性は制限されている。
本稿では、ニューラルネットワークアーキテクチャ上で計算されたニューラルネットワークカバレッジメトリクスを用いて、未ラベルのインスタンスを利用する神経進化的アプローチを提案する。
論文 参考訳（メタデータ） (2023-03-05T23:38:44Z) - Measures of Information Reflect Memorization Patterns [53.71420125627608]
異なるニューロンの活性化パターンの多様性は、モデル一般化と記憶の反映であることを示す。
重要なことは、情報組織が記憶の2つの形態を指していることである。
論文 参考訳（メタデータ） (2022-10-17T20:15:24Z) - 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) - Can the brain use waves to solve planning problems? [62.997667081978825]
このような課題を解くニューラルネットワークモデルを提案する。
このモデルは、哺乳類の新皮質と海馬に関する幅広い実験的な発見と互換性がある。
論文 参考訳（メタデータ） (2021-10-11T11:07:05Z) - Visual Explanation for Identification of the Brain Bases for Dyslexia on
fMRI Data [13.701992590330395]
ネットワーク可視化技術を用いて、高レベルの特徴を学習するために必要な畳み込みニューラルネットワーク層において、分類された条件に対する専門家が支援する洞察に意味のあるイメージを提供することができることを示す。
以上の結果から,脳画像のみによる発達障害の正確な分類だけでなく,同時代の神経科学的知識と一致する特徴の自動可視化も可能となった。
論文 参考訳（メタデータ） (2020-07-17T22:11:30Z) - Deep Cross-Subject Mapping of Neural Activity [33.25686697879346]
本研究では、ある被験者の神経活動信号に基づいて訓練されたニューラルデコーダを用いて、異なる被験者の運動意図を強固に復号できることを示す。
本稿では,クロスオブジェクト脳-コンピュータ開発に向けた重要なステップとして,本研究で報告した知見について述べる。
論文 参考訳（メタデータ） (2020-07-13T14:35:02Z) - Deep learning approaches for neural decoding: from CNNs to LSTMs and
spikes to fMRI [2.0178765779788495]
神経信号から直接の行動、知覚、認知状態の復号化は、脳-コンピュータインタフェースの研究に応用されている。
過去10年間で、ディープラーニングは多くの機械学習タスクにおいて最先端の手法になっている。
ディープラーニングは、幅広いタスクにわたるニューラルデコーディングの正確性と柔軟性を改善するための有用なツールであることが示されている。
論文 参考訳（メタデータ） (2020-05-19T18:10:35Z)
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。