論文の概要: From Artificial Intelligence to Brain Intelligence: The basis learning and memory algorithm for brain-like intelligence

• arxiv url: http://arxiv.org/abs/2010.14617v1
• Date: Wed, 7 Oct 2020 14:25:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 22:01:39.970490
• Title: From Artificial Intelligence to Brain Intelligence: The basis learning and memory algorithm for brain-like intelligence
• Title（参考訳）: 人工知能から脳インテリジェンスへ:脳のようなインテリジェンスのための基礎学習と記憶アルゴリズム
• Authors: Yifei Mao
• Abstract要約: 我々は、生物学的に妥当であり、仮想ニューロンで実装して画像分類タスクを完了できるバックプロパゲーションアルゴリズムの脳バージョンを設計した。 メモリエングラム理論のためのアルゴリズム実装であるエングラムセルを自動割り当て可能な符号化アルゴリズムを提案する。
• 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: The algorithm of brain learning and memory is still undetermined. The backpropagation algorithm of artificial neural networks was thought not suitable for brain cortex, and there is a lack of algorithm for memory engram. We designed a brain version of backpropagation algorithm, which are biologically plausible and could be implemented with virtual neurons to complete image classification task. An encoding algorithm that can automatically allocate engram cells is proposed, which is an algorithm implementation for memory engram theory, and could simulate how hippocampus achieve fast associative memory. The role of the LTP and LTD in the cerebellum is also explained in algorithm level. Our results proposed a method for the brain to deploy backpropagation algorithm, and sparse coding method for memory engram theory.
• Abstract（参考訳）: 脳の学習と記憶のアルゴリズムはまだ決定されていない。 人工ニューラルネットワークのバックプロパゲーションアルゴリズムは、大脳皮質には適さないと考えられており、メモリエングラムにはアルゴリズムがない。 画像分類タスクを完了させるために仮想ニューロンで実装可能な,生物学的に妥当なバックプロパゲーションアルゴリズムの脳版を設計した。 メモリ・エングラム理論のアルゴリズム実装であり、海馬が高速連想記憶をどのように達成するかをシミュレートできるエングラムセルを自動アロケートする符号化アルゴリズムを提案する。 小脳におけるLTPとLTDの役割もアルゴリズムレベルで説明されている。 本研究は,脳にバックプロパゲーションアルゴリズムを展開させる手法と,メモリエングラム理論のためのスパース符号化法を提案する。

関連論文リスト

• The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
  ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。 単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
  論文  参考訳（メタデータ） (2023-06-30T17:59:13Z)
• Competitive learning to generate sparse representations for associative memory [0.0]
  本稿では,連想記憶に適したコードに画像をエンコードする生物学的にもっともらしいネットワークを提案する。 局所受容野を専門とする神経細胞のグループに編成され、競争的なスキームを通じて学習する。
  論文  参考訳（メタデータ） (2023-01-05T17:57:52Z)
• Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network [0.8399688944263843]
  既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。 本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。 我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-08T12:14:33Z)
• Learning with Differentiable Algorithms [6.47243430672461]
  この論文は、古典的なアルゴリズムとニューラルネットワークのような機械学習システムを組み合わせることを探求している。 この論文はアルゴリズムの監督という概念を定式化し、ニューラルネットワークがアルゴリズムから、あるいは、アルゴリズムと連動して学ぶことを可能にする。 さらに、この論文では、微分可能なソートネットワーク、微分可能なソートゲート、微分可能な論理ゲートネットワークなど、微分可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-01T17:30:00Z)
• Bio-inspired Machine Learning: programmed death and replication [0.0]
  システムにニューロンを追加したり、システムからニューロンを取り除いたりするための機械学習アルゴリズムを開発した。 プログラムされた死アルゴリズムはニューラルネットワークの圧縮に利用でき、複製アルゴリズムは、既に訓練済みのニューラルネットワークの性能向上に利用することができると論じる。 バイオインスパイアされたアルゴリズムの計算上の利点は、MNISTデータセット上でフィードフォワードニューラルネットワークをトレーニングすることによって示される。
  論文  参考訳（メタデータ） (2022-06-30T10:44:12Z)
• Biologically Inspired Neural Path Finding [71.77273989319868]
  ヒトの脳は、シナプスによって接続された数千億の生物学的ニューロンからなるグラフィカルな構造と見なすことができる。 一般化グラフにおいて、ソースノードと宛先ノードの間の最適な低コスト経路を求めるための計算フレームワークを開発する。
  論文  参考訳（メタデータ） (2022-06-13T08:33:22Z)
• Toward a realistic model of speech processing in the brain with self-supervised learning [67.7130239674153]
  生波形で訓練された自己教師型アルゴリズムは有望な候補である。 We show that Wav2Vec 2.0 learns brain-like representations with little as 600 hours of unlabelled speech。
  論文  参考訳（メタデータ） (2022-06-03T17:01:46Z)
• Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph Evaluation Trajectory [0.0]
  脳障害は、脳の構造的および機能的結合性の変化を観察することで検出できる。 最近の研究は、機械学習モデルの提案により、時間とともに脳の結合性の進化を予測することを目的としている。 本稿では、時間依存型脳疾患の診断において、より効率的な代替手段として、脳結合性を用いることを提案する。
  論文  参考訳（メタデータ） (2021-10-06T09:25:55Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• Optimizing Memory Placement using Evolutionary Graph Reinforcement Learning [56.83172249278467]
  大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。 我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。 また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
  論文  参考訳（メタデータ） (2020-07-14T18:50:12Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。