Fugu-MT 論文翻訳(概要): Modeling the Hallucinating Brain: A Generative Adversarial Framework

論文の概要: Modeling the Hallucinating Brain: A Generative Adversarial Framework

arxiv url: http://arxiv.org/abs/2102.08209v1
Date: Tue, 9 Feb 2021 14:30:14 GMT
ステータス: 処理完了
システム内更新日: 2021-03-13 16:35:41.648415
Title: Modeling the Hallucinating Brain: A Generative Adversarial Framework
Title（参考訳）: 幻覚性脳のモデリング : 生成的逆境枠組み
Authors: Masoumeh Zareh, Mohammad Hossein Manshaei, and Sayed Jalal Zahabi
Abstract要約: 本稿では,人間の脳における幻覚のモデル化について述べる。我々は、視覚知覚の過程に関与する脳の異なる部分間の逆転機構を特定します。
参考スコア（独自算出の注目度）: 1.3507374001866768
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: This paper looks into the modeling of hallucination in the human's brain. Hallucinations are known to be causally associated with some malfunctions within the interaction of different areas of the brain involved in perception. Focusing on visual hallucination and its underlying causes, we identify an adversarial mechanism between different parts of the brain which are responsible in the process of visual perception. We then show how the characterized adversarial interactions in the brain can be modeled by a generative adversarial network.
Abstract（参考訳）: 本稿では,人間の脳における幻覚のモデル化について述べる。幻覚は、知覚に関わる脳の異なる領域の相互作用内のいくつかの機能不全に因果関係があることが知られている。視覚幻覚とその根本的な原因に焦点を当てて、視覚知覚の過程に関与する脳の異なる部分間の逆転機構を特定します。次に、脳内の特徴的敵対相互作用を生成的敵対ネットワークによってモデル化する方法を示す。

関連論文リスト

Decoding Visual Experience and Mapping Semantics through Whole-Brain Analysis Using fMRI Foundation Models [10.615012396285337]
我々は脳全体の活性化マップを組み込むことで視覚過程の理解を高めるアルゴリズムを開発した。まず,視覚処理を復号化するための最先端手法と比較し,予測意味精度を43%向上させた。
論文参考訳（メタデータ） (2024-11-11T16:51:17Z)
A Cause-Effect Look at Alleviating Hallucination of Knowledge-grounded Dialogue Generation [51.53917938874146]
我々は,対話知識の相互作用を利用して,KGDの幻覚を緩和するための解決策を提案する。本手法は,他の対話性能を損なうことなく幻覚を低減できることを示す。
論文参考訳（メタデータ） (2024-04-04T14:45:26Z)
Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文参考訳（メタデータ） (2023-05-06T22:14:13Z)
Brain-inspired bodily self-perception model for robot rubber hand illusion [11.686402949452546]
本稿では,脳にインスパイアされた身体の自己知覚モデルを提案する。 6つのゴムハンドイリュージョン実験と,iCubヒューマノイドロボットや模擬環境を含むプラットフォーム上での障害実験により,本モデルを検証した。
論文参考訳（メタデータ） (2023-03-22T02:00:09Z)
Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文参考訳（メタデータ） (2023-03-11T14:04:58Z)
Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文参考訳（メタデータ） (2023-02-23T09:22:05Z)
BI AVAN: Brain inspired Adversarial Visual Attention Network [67.05560966998559]
機能的脳活動から直接人間の視覚的注意を特徴付ける脳誘発対人視覚注意ネットワーク(BI-AVAN)を提案する。本モデルは,人間の脳が監督されていない方法で焦点を絞った映画フレーム内の視覚的物体を識別・発見するために,注意関連・無視対象間の偏りのある競合過程を模倣する。
論文参考訳（メタデータ） (2022-10-27T22:20:36Z)
Investigating Brain Connectivity with Graph Neural Networks and GNNExplainer [0.0]
我々は,ディープラーニングによる音声聴取作業において,機能的接続性の詳細な検討を行った。本稿では,脳波データをグラフ領域の信号として表現するグラフニューラルネットワークに基づくフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-04T07:47:13Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)
Brain-inspired algorithms for processing of visual data [5.045960549713147]
視覚野のニューロンの機能に関する神経科学的知見に基づく画像処理とコンピュータビジョンのアプローチを概観する。入力刺激の変化に対する安定性が向上した視覚系を提供するため,一部のニューロンの応答抑制機構に特に注目する。
論文参考訳（メタデータ） (2021-03-02T10:45:38Z)
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。