論文の概要: Predicting the Transition from Short-term to Long-term Memory based on
Deep Neural Network
- arxiv url: http://arxiv.org/abs/2012.03510v1
- Date: Mon, 7 Dec 2020 08:00:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 21:03:07.621195
- Title: Predicting the Transition from Short-term to Long-term Memory based on
Deep Neural Network
- Title(参考訳): ディープニューラルネットワークを用いた短期記憶から長期記憶への遷移予測
- Authors: Gi-Hwan Shin, Young-Seok Kweon, Minji Lee
- Abstract要約: 我々はディープニューラルネットワークを用いて長期記憶を予測することを目指している。
短期記憶における記憶項目の脳波信号のスペクトルパワーを算出した。
本研究では,短期記憶中における脳波信号を用いて長期記憶を予測可能であることを示す。
- 参考スコア(独自算出の注目度): 1.4502611532302039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Memory is an essential element in people's daily life based on experience. So
far, many studies have analyzed electroencephalogram (EEG) signals at encoding
to predict later remembered items, but few studies have predicted long-term
memory only with EEG signals of successful short-term memory. Therefore, we aim
to predict long-term memory using deep neural networks. In specific, the
spectral power of the EEG signals of remembered items in short-term memory was
calculated and inputted to the multilayer perceptron (MLP) and convolutional
neural network (CNN) classifiers to predict long-term memory. Seventeen
participants performed visuo-spatial memory task consisting of picture and
location memory in the order of encoding, immediate retrieval (short-term
memory), and delayed retrieval (long-term memory). We applied
leave-one-subject-out cross-validation to evaluate the predictive models. As a
result, the picture memory showed the highest kappa-value of 0.19 on CNN, and
location memory showed the highest kappa-value of 0.32 in MLP. These results
showed that long-term memory can be predicted with measured EEG signals during
short-term memory, which improves learning efficiency and helps people with
memory and cognitive impairments.
- Abstract(参考訳): 記憶は、経験に基づく人々の日常生活において重要な要素である。
これまでに多くの研究が脳波信号を分析して後の記憶項目を予測するが、短期記憶を成功させる脳波信号でのみ長期記憶を予測する研究はほとんどない。
そこで我々は,ディープニューラルネットワークを用いた長期記憶予測を目標としている。
具体的には、短期記憶における記憶項目の脳波信号のスペクトルパワーを計算し、多層パーセプトロン(MLP)および畳み込みニューラルネットワーク(CNN)分類器に入力し、長期記憶を予測する。
17名の参加者が,画像メモリと位置メモリをエンコード順,即時検索(短期記憶),遅延検索(長期記憶)順に実行した。
予測モデルの評価にreft-one-subject-out cross-validationを適用した。
その結果,cnnでは最大kappa値が0.19,mlpでは最大kappa値が0.32であった。
これらの結果は、短期記憶中の脳波信号を用いて長期記憶を予測でき、学習効率が向上し、記憶障害や認知障害の人に役立つことを示した。
関連論文リスト
- Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。
実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。
したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
論文 参考訳(メタデータ) (2023-07-14T08:51:03Z) - Sharing Leaky-Integrate-and-Fire Neurons for Memory-Efficient Spiking
Neural Networks [9.585985556876537]
Leaky-Integrate-and-Fire(LIF)ニューロンの非線形活性化は、スパイクの時間的ダイナミクスを捉えるために膜電圧を保持するために追加のメモリを必要とする。
本稿では,LIFニューロンを異なる層とチャネルで共有する,シンプルで効果的なLIF-Netを提案する。
EfficientLIF-Netは、標準的なSNNと同等の精度を実現し、LIFニューロンの4.3倍の前方メモリ効率と21.9倍の後方メモリ効率を実現した。
論文 参考訳(メタデータ) (2023-05-26T22:55:26Z) - Sequential Memory with Temporal Predictive Coding [6.228559238589584]
時空間予測符号化 (tPC) という, PC を用いた時空間メモリモデルを提案する。
我々のtPCモデルは、生物学的に妥当なニューラル実装を用いて、シーケンシャルな入力を正確に記憶し、取得できることを示します。
論文 参考訳(メタデータ) (2023-05-19T20:03:31Z) - Evaluating Long-Term Memory in 3D Mazes [10.224858246626171]
Memory Mazeはエージェントの長期記憶を評価するために設計されたランダム化迷路の3Dドメインである。
既存のベンチマークとは異なり、Memory Mazeはエージェントの能力から切り離された長期的なメモリを測定する。
現在のアルゴリズムは、時間の経過とともに縮小したバックプロパゲーションによるトレーニングの恩恵を受け、小さな迷路で成功するが、大きな迷路での人間のパフォーマンスに欠ける。
論文 参考訳(メタデータ) (2022-10-24T16:32:28Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳(メタデータ) (2022-05-30T14:30:45Z) - Astrocytes mediate analogous memory in a multi-layer neuron-astrocytic
network [52.77024349608834]
情報の一部が数秒間堅牢な活動パターンとして維持され、他の刺激が来なければ完全に消滅することを示す。
この種の短期記憶は、操作情報を数秒保存し、次のパターンとの重複を避けるために完全に忘れてしまう。
任意のパターンをロードし、一定の間隔で保存し、適切な手掛かりパターンを入力に適用した場合に検索する方法について示す。
論文 参考訳(メタデータ) (2021-08-31T16:13:15Z) - Slow manifolds in recurrent networks encode working memory efficiently
and robustly [0.0]
ワーキングメモリ(working memory)は、潜在情報の保存と操作を短時間で行う認知機能である。
作業メモリのネットワークレベルメカニズムを調べるために,トップダウンモデリング手法を用いる。
論文 参考訳(メタデータ) (2021-01-08T18:47:02Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳(メタデータ) (2020-05-18T11:29:38Z) - PeTra: A Sparsely Supervised Memory Model for People Tracking [50.98911178059019]
メモリスロット内のエンティティを追跡するように設計されたメモリ拡張ニューラルネットワークであるPeTraを提案する。
我々は、重要なモデリング選択を経験的に比較し、強い性能を維持しながら、メモリモジュールの設計のいくつかの側面を単純化できることを見出した。
PeTraは両方の評価に非常に効果的で、限られたアノテーションで訓練されているにもかかわらず、メモリ内の人々を追跡できる能力を示している。
論文 参考訳(メタデータ) (2020-05-06T17:45:35Z) - Neural Oscillations for Encoding and Decoding Declarative Memory using
EEG Signals [1.713291434132985]
本研究では,記憶過程に関連する神経振動の変化について検討した。
エンコーディングフェーズでは,低ベータ,高ベータ帯域において,前頭中部領域でのパワー低下が顕著であった。
復号相では, アルファパワーの顕著な低下しか観測されなかった。
論文 参考訳(メタデータ) (2020-02-04T04:53:30Z) - Encoding-based Memory Modules for Recurrent Neural Networks [79.42778415729475]
本稿では,リカレントニューラルネットワークの設計とトレーニングの観点から,記憶サブタスクについて考察する。
本稿では,線形オートエンコーダを組み込んだエンコーディングベースのメモリコンポーネントを特徴とする新しいモデルであるLinear Memory Networkを提案する。
論文 参考訳(メタデータ) (2020-01-31T11:14:27Z)
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。