Fugu-MT 論文翻訳(概要): Evolving Neuronal Plasticity Rules using Cartesian Genetic Programming

論文の概要: Evolving Neuronal Plasticity Rules using Cartesian Genetic Programming

arxiv url: http://arxiv.org/abs/2102.04312v1
Date: Mon, 8 Feb 2021 16:17:15 GMT
ステータス: 処理完了
システム内更新日: 2023-04-12 05:25:38.849852
Title: Evolving Neuronal Plasticity Rules using Cartesian Genetic Programming
Title（参考訳）: 遺伝子プログラミングを用いた神経可塑性規則の進化
Authors: Henrik D. Mettler, Maximilian Schmidt, Walter Senn, Mihai A. Petrovici, Jakob Jordan
Abstract要約: 我々は遺伝的プログラミングを用いて、生物学的に妥当な人間解釈可能な可塑性規則を進化させる。進化したルールは、既知の手設計のソリューションと競合することを示した。
参考スコア（独自算出の注目度）: 1.1980325577555802
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We formulate the search for phenomenological models of synaptic plasticity as an optimization problem. We employ Cartesian genetic programming to evolve biologically plausible human-interpretable plasticity rules that allow a given network to successfully solve tasks from specific task families. While our evolving-to-learn approach can be applied to various learning paradigms, here we illustrate its power by evolving plasticity rules that allow a network to efficiently determine the first principal component of its input distribution. We demonstrate that the evolved rules perform competitively with known hand-designed solutions. We explore how the statistical properties of the datasets used during the evolutionary search influences the form of the plasticity rules and discover new rules which are adapted to the structure of the corresponding datasets.
Abstract（参考訳）: 最適化問題としてシナプス可塑性の現象論的モデルを求める。我々は、カルテジアン遺伝的プログラミングを用いて、特定のタスクファミリーからタスクをうまく解くことができる生物学的に説明可能な可塑性規則を進化させる。ここでは,ネットワークが入力分布の最初の主成分を効率的に決定できるような塑性規則を進化させることにより,学習パラダイムの進化と学習の進化を図示する。我々は、進化したルールが既知のハンドデザインのソリューションと競合することを実証する。進化探索で使用されるデータセットの統計的性質が塑性規則の形式にどのように影響するかを考察し,対応するデータセットの構造に適合する新しい規則を探索する。

関連論文リスト

From Lazy to Rich: Exact Learning Dynamics in Deep Linear Networks [47.13391046553908]
人工ネットワークでは、これらのモデルの有効性はタスク固有の表現を構築する能力に依存している。以前の研究では、異なる初期化によって、表現が静的な遅延状態にあるネットワークや、表現が動的に進化するリッチ/フィーチャーな学習体制のいずれかにネットワークを配置できることが強調されていた。これらの解は、豊かな状態から遅延状態までのスペクトルにわたる表現とニューラルカーネルの進化を捉えている。
論文参考訳（メタデータ） (2024-09-22T23:19:04Z)
LifeGPT: Topology-Agnostic Generative Pretrained Transformer Model for Cellular Automata [0.0]
本稿では,デコーダのみによる事前学習型トランス (GPT) モデルを用いて,トロイドグリッド上でのコンウェイのゲーム・オブ・ライフ (Life) のシミュレーションを行う。我々の結果は,大規模言語モデルフレームワーク内での真の普遍計算への道筋をたどる。
論文参考訳（メタデータ） (2024-09-03T11:43:16Z)
Network bottlenecks and task structure control the evolution of interpretable learning rules in a foraging agent [0.0]
我々は, メタラーニングを, 単純な報酬変調型可塑性規則の進化的最適化により研究した。制約のないメタラーニングが多様な可塑性規則の出現につながることを示す。その結果, 可塑性規則のメタラーニングは様々なパラメータに非常に敏感であり, この感度は生物学的ネットワークで見られる学習規則に反映している可能性が示唆された。
論文参考訳（メタデータ） (2024-03-20T14:57:02Z)
Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文参考訳（メタデータ） (2023-03-30T02:40:28Z)
Evolving-to-Learn Reinforcement Learning Tasks with Spiking Neural Networks [0.0]
本稿では,手作業に適したシナプス可塑性規則を進化させる進化的アルゴリズムを提案する。我々は、XORとカートポールタスクをうまく解く学習ルールを見つけ、文学のベースラインルールより優れた新しい学習ルールを発見する。
論文参考訳（メタデータ） (2022-02-24T19:07:23Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
A Spiking Neuron Synaptic Plasticity Model Optimized for Unsupervised Learning [0.0]
スパイキングニューラルネットワーク(SNN)は、教師なし、教師なし、強化学習など、あらゆる種類の学習タスクを実行するための視点ベースとして考えられている。 SNNでの学習は、シナプス前およびシナプス後ニューロンの活動に依存するシナプス重みのダイナミクスを決定する規則であるシナプス可塑性によって実施される。
論文参考訳（メタデータ） (2021-11-12T15:26:52Z)
Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文参考訳（メタデータ） (2021-04-12T12:45:16Z)
Energy Decay Network (EDeN) [0.0]
このフレームワークは、潜在的な構造的表現を通じて経験の遺伝的移行を開発する。成功した経路は、エポック当たりのスパイク分布の安定性によって定義される。
論文参考訳（メタデータ） (2021-03-10T23:17:59Z)
Emergent Hand Morphology and Control from Optimizing Robust Grasps of Diverse Objects [63.89096733478149]
多様な物体をつかむために、効果的なハンドデザインが自然に現れるデータ駆動型アプローチを紹介します。形態と把持スキルを共同で効率的に設計するベイズ最適化アルゴリズムを開発した。我々は,新しい物体をつかむための堅牢で費用効率のよい手形態を発見するためのアプローチの有効性を実証する。
論文参考訳（メタデータ） (2020-12-22T17:52:29Z)
Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文参考訳（メタデータ） (2020-08-19T04:53:31Z)

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。