Fugu-MT 論文翻訳(概要): Hippocampal formation-inspired probabilistic generative model

論文の概要: Hippocampal formation-inspired probabilistic generative model

arxiv url: http://arxiv.org/abs/2103.07356v1
Date: Fri, 12 Mar 2021 15:46:52 GMT
ステータス: 処理完了
システム内更新日: 2021-03-15 13:15:16.601064
Title: Hippocampal formation-inspired probabilistic generative model
Title（参考訳）: 海馬形成誘発確率生成モデル
Authors: Akira Taniguchi, Ayako Fukawa, Hiroshi Yamakawa
Abstract要約: ヒト海馬形成(HPF)誘発確率生成モデル(HPF-PGM)の構築 PGMで脳領域をモデル化することで、全脳PGMとして統合できるモジュールとして位置づけられています。
参考スコア（独自算出の注目度）: 1.3858051019755282
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We constructed a hippocampal formation (HPF)-inspired probabilistic generative model (HPF-PGM) using the structure-constrained interface decomposition method. By modeling brain regions with PGMs, this model is positioned as a module that can be integrated as a whole-brain PGM. We discuss the relationship between simultaneous localization and mapping (SLAM) in robotics and the findings of HPF in neuroscience. Furthermore, we survey the modeling for HPF and various computational models, including brain-inspired SLAM, spatial concept formation, and deep generative models. The HPF-PGM is a computational model that is highly consistent with the anatomical structure and functions of the HPF, in contrast to typical conventional SLAM models. By referencing the brain, we suggest the importance of the integration of egocentric/allocentric information from the entorhinal cortex to the hippocampus and the use of discrete-event queues.
Abstract（参考訳）: 構造拘束型界面分解法による海馬形成(HPF)誘導確率生成モデル(HPF-PGM)の構築を行った。 PGMで脳領域をモデル化することで、全脳PGMとして統合できるモジュールとして位置づけられています。ロボット工学におけるSLAM(同時局在とマッピング)と神経科学におけるHPFの発見の関係について考察する。さらに,脳にインスパイアされたSLAM,空間概念形成,深部生成モデルなど,HPFおよび各種計算モデルのモデル化について検討した。 HPF-PGMは、従来のSLAMモデルとは対照的に、HPFの解剖学的構造と機能に非常に整合性がある計算モデルである。脳を参照することにより、脳内皮質から海馬への自己中心的/高度中心的情報の統合と離散イベントキューの使用の重要性を示唆する。

関連論文リスト

Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology [7.230055455268642]
本稿では,個人化された心臓デジタル双生児を記述するための新しいハイブリッド・モデリング・フレームワークを提案する。そこで我々は,物理系と神経系の両方のコンポーネントを識別するための新しいメタラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2024-03-15T02:30:00Z)
Wasserstein proximal operators describe score-based generative models and resolve memorization [12.321631823103894]
We first formulate SGMs with terms of Wasserstein proximal operator (WPO) We show that WPO describe the inductive bias of diffusion and score-based model。本稿では,SGMの性能を劇的に向上させる,スコア関数の解釈可能なカーネルベースモデルを提案する。
論文参考訳（メタデータ） (2024-02-09T03:33:13Z)
Neural Sampling in Hierarchical Exponential-family Energy-based Models [7.359253637105765]
本稿では,推論と学習のダイナミクスを捉える階層的指数族エネルギーベース(HEE)モデルを提案する。我々は、神経適応が運動量項として機能し、推論過程を著しく加速することを示した。機械学習のコミュニティにとって、我々のモデルは共同生成や限界生成によって観察を生成できる。
論文参考訳（メタデータ） (2023-10-12T15:56:02Z)
NeuralFMU: Presenting a workflow for integrating hybrid NeuralODEs into real world applications [0.0]
我々は、NeuralFMUをセットアップおよび使用するための直感的なワークフローを提案する。本稿では,自動車の縦波力学モデルに基づく消費シミュレーションのためのNeuralFMUをデプロイすることで,この概念を実証する。
論文参考訳（メタデータ） (2022-09-08T17:17:46Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Hybrid modeling of the human cardiovascular system using NeuralFMUs [0.0]
ハイブリッドなモデリングプロセスは、より快適で、システム知識を必要とせず、第一原理に基づくモデリングに比べてエラーの少ないことが示される。結果として得られたハイブリッドモデルは、純粋な第一原理のホワイトボックスモデルに比べて計算性能が向上した。考慮されたユースケースは、医療領域内外における他のモデリングおよびシミュレーションアプリケーションの例として機能する。
論文参考訳（メタデータ） (2021-09-10T13:48:43Z)
Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
論文参考訳（メタデータ） (2021-08-18T09:00:24Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。このようなモデルをリアルタイム診断に利用しています。
論文参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。