論文の概要: Assessing Pattern Recognition Performance of Neuronal Cultures through Accurate Simulation

• arxiv url: http://arxiv.org/abs/2012.10355v2
• Date: Fri, 22 Jan 2021 11:16:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:10:40.600913
• Title: Assessing Pattern Recognition Performance of Neuronal Cultures through Accurate Simulation
• Title（参考訳）: 正確なシミュレーションによる神経培養のパターン認識性能の評価
• Authors: Gabriele Lagani, Raffaele Mazziotti, Fabrizio Falchi, Claudio Gennaro, Guido Marco Cicchini, Tommaso Pizzorusso, Federico Cremisi, Giuseppe Amato
• Abstract要約: そこで我々は,学習課題における神経文化のパフォーマンスを評価する手法を開発した。 具体的には,実際の培養ニューロンネットワークのデジタルモデルを提案する。 実文化の挙動を確実に再現できる生物学的に妥当なシミュレーションパラメータを同定する。
• 参考スコア（独自算出の注目度）: 7.688331309360648
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Previous work has shown that it is possible to train neuronal cultures on Multi-Electrode Arrays (MEAs), to recognize very simple patterns. However, this work was mainly focused to demonstrate that it is possible to induce plasticity in cultures, rather than performing a rigorous assessment of their pattern recognition performance. In this paper, we address this gap by developing a methodology that allows us to assess the performance of neuronal cultures on a learning task. Specifically, we propose a digital model of the real cultured neuronal networks; we identify biologically plausible simulation parameters that allow us to reliably reproduce the behavior of real cultures; we use the simulated culture to perform handwritten digit recognition and rigorously evaluate its performance; we also show that it is possible to find improved simulation parameters for the specific task, which can guide the creation of real cultures.
• Abstract（参考訳）: これまでの研究では、MEA(Multi-Electrode Arrays)で神経培養を訓練し、非常に単純なパターンを認識できることが示されている。 しかし, この研究は主に, パターン認識性能の厳密な評価を行うのではなく, 文化の可塑性を誘導できることを実証することに焦点を当てた。 本稿では,学習課題における神経細胞培養のパフォーマンスを評価する手法の開発により,このギャップを解消する。 具体的には、実際の培養ニューロンネットワークのディジタルモデルを提案し、実文化の挙動を確実に再現できる生物学的に妥当なシミュレーションパラメータを特定し、シミュレートされた文化を用いて手書きの数字認識を行い、その性能を厳格に評価する。

関連論文リスト

• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• A Dynamic Systems Approach to Modelling Human-Machine Rhythm Interaction [4.33608942673382]
  本研究では、リズム処理の基礎となる物理および生物学的プロセスにインスパイアされた計算モデルを紹介する。 本研究は,人間の知覚範囲内でのリズムパターンを正確に知覚し,適応する能力を示すものである。
  論文  参考訳（メタデータ） (2024-06-26T10:07:20Z)
• Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
  我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。 本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
  論文  参考訳（メタデータ） (2023-10-19T07:51:39Z)
• Perception Imitation: Towards Synthesis-free Simulator for Autonomous Vehicles [45.27200446670184]
  本研究では,ある知覚モデルの結果をシミュレートする知覚模倣手法を提案し,データ合成を伴わない自律走行シミュレータの新たな経路について議論する。 実験により,本手法は学習に基づく知覚モデルの振る舞いをモデル化する上で有効であることが示され,提案手法のシミュレーション経路にさらにスムーズに適用可能である。
  論文  参考訳（メタデータ） (2023-04-19T01:27:02Z)
• Robust Neural Posterior Estimation and Statistical Model Criticism [1.5749416770494706]
  モデラーはシミュレータを真のデータ生成プロセスの理想主義的な表現として扱わなければならない。 本研究では,シミュレーションモデルにおけるブラックボックスパラメータ推論を可能にするアルゴリズムのクラスであるNPEを再検討する。 一方,NPEを経時的に用いた場合,不特定性の存在は信頼できない推論につながることが判明した。
  論文  参考訳（メタデータ） (2022-10-12T20:06:55Z)
• Few-shot Generation of Personalized Neural Surrogates for Cardiac Simulation via Bayesian Meta-Learning [6.978382728087236]
  メタラーニングの単一コヒーレントフレームワークにおいて、パーソナライズされたニューラルサロゲートを実現するための新しい概念を提案する。 テスト時間として、MetaPNSは個人から利用可能な小さなフレキシブルなデータの高速フィードフォワード埋め込みによって、パーソナライズされたニューラルサロゲートを提供する。 MetaPNSは、従来の最適化心臓シミュレーションモデルと比較して、パーソナライズと予測精度を改善することができた。
  論文  参考訳（メタデータ） (2022-10-06T14:59:27Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。