論文の概要: Contrastive Topographic Models: Energy-based density models applied to
the understanding of sensory coding and cortical topography
- arxiv url: http://arxiv.org/abs/2011.03535v1
- Date: Thu, 5 Nov 2020 16:36:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 11:13:36.517485
- Title: Contrastive Topographic Models: Energy-based density models applied to
the understanding of sensory coding and cortical topography
- Title（参考訳）: 対比トポグラフィーモデル:感覚符号化と皮質トポグラフィーの理解に応用したエネルギーベース密度モデル
- Authors: Simon Osindero
- Abstract要約: 計算・アルゴリズム・構造・機械的レベルでの視覚脳の機能解明を支援する理論モデルを構築することの課題に対処する。
- 参考スコア（独自算出の注目度）: 9.555150216958246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of building theoretical models that help elucidate the
function of the visual brain at computational/algorithmic and
structural/mechanistic levels. We seek to understand how the receptive fields
and topographic maps found in visual cortical areas relate to underlying
computational desiderata. We view the development of sensory systems from the
popular perspective of probability density estimation; this is motivated by the
notion that an effective internal representational scheme is likely to reflect
the statistical structure of the environment in which an organism lives. We
apply biologically based constraints on elements of the model.
The thesis begins by surveying the relevant literature from the fields of
neurobiology, theoretical neuroscience, and machine learning. After this review
we present our main theoretical and algorithmic developments: we propose a
class of probabilistic models, which we refer to as "energy-based models", and
show equivalences between this framework and various other types of
probabilistic model such as Markov random fields and factor graphs; we also
develop and discuss approximate algorithms for performing maximum likelihood
learning and inference in our energy based models. The rest of the thesis is
then concerned with exploring specific instantiations of such models. By
performing constrained optimisation of model parameters to maximise the
likelihood of appropriate, naturalistic datasets we are able to qualitatively
reproduce many of the receptive field and map properties found in vivo, whilst
simultaneously learning about statistical regularities in the data.
- Abstract（参考訳）: 計算・アルゴリズム・構造・機械レベルでの視覚脳の機能解明を支援する理論モデルの構築の問題に対処する。
視覚皮質領域で見られる受容野と地形図が,根底にある計算デシダラタとどのように関連しているかを理解する。
我々は, 確率密度推定の一般的な視点から感覚系の発展を考察する。これは, 有効な内部表現スキームが, 生物が生活する環境の統計的構造を反映しやすいという考え方に動機づけられている。
我々は、そのモデルの要素に生物学的に制約を適用する。
論文は、神経生物学、理論神経科学、機械学習の分野から関連する文献を調査することから始まる。
我々は,エネルギーベースモデルと呼ぶ確率モデルクラスを提案し,マルコフ確率場や因子グラフといった他の確率モデルと等価性を示すとともに,エネルギーベースモデルにおいて最大確率学習と推論を行うための近似アルゴリズムを考案し,議論する。
論文の残りは、そのようなモデルの特定のインスタンス化を探求することに関するものである。
モデルパラメータの制約付き最適化を行い、適切な自然主義的データセットの確率を最大化することにより、インビボで見られる受容場やマップ特性の多くを質的に再現し、同時にデータの統計正則性について学ぶことができる。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。
我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文 参考訳（メタデータ） (2024-06-17T06:20:39Z) - Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。
我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。
我々は、理論的な主張を合成データ実験で裏付ける。
論文 参考訳（メタデータ） (2024-06-01T18:01:03Z) - Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:07:33Z) - Likelihood Based Inference in Fully and Partially Observed Exponential Family Graphical Models with Intractable Normalizing Constants [4.532043501030714]
マルコフ確率場を符号化する確率的グラフィカルモデルは、生成的モデリングの基本的な構成要素である。
本稿では,これらのモデルの全確率に基づく解析が,計算効率のよい方法で実現可能であることを示す。
論文 参考訳（メタデータ） (2024-04-27T02:58:22Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Geometric and Topological Inference for Deep Representations of Complex
Networks [13.173307471333619]
我々は、トポロジと表現の幾何学を強調する統計のクラスを提示する。
モデル選択に使用する場合の感度と特異性の観点から,これらの統計値を評価する。
これらの新しい手法により、脳やコンピューター科学者は、脳やモデルによって学習された動的表現変換を可視化することができる。
論文 参考訳（メタデータ） (2022-03-10T17:14:14Z) - Convolutional Motif Kernel Networks [1.104960878651584]
我々のモデルは、小さなデータセットでしっかりと学習でき、関連する医療予測タスクで最先端のパフォーマンスを達成できることを示す。
提案手法はDNAおよびタンパク質配列に利用することができる。
論文 参考訳（メタデータ） (2021-11-03T15:06:09Z) - Towards a Predictive Processing Implementation of the Common Model of
Cognition [79.63867412771461]
本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。
提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
論文 参考訳（メタデータ） (2021-05-15T22:55:23Z)
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。