論文の概要: Connectionism, Complexity, and Living Systems: a comparison of
Artificial and Biological Neural Networks
- arxiv url: http://arxiv.org/abs/2103.15553v1
- Date: Mon, 15 Mar 2021 02:52:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 01:06:19.279514
- Title: Connectionism, Complexity, and Living Systems: a comparison of
Artificial and Biological Neural Networks
- Title（参考訳）: 接続性, 複雑度, リビングシステム:人工ニューラルネットワークと生体ニューラルネットワークの比較
- Authors: Krishna Katyal, Jesse Parent, Bradly Alicea
- Abstract要約: 我々は、ANNとBNNの比較を超えて、BNNの原則を導入し、ANNを具体的ニューラルネットワークとして発展させるかもしれない。
これらの原則には、表現複雑性、複雑なネットワーク構造/エネルギー、ロバスト関数が含まれる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Artificial Neural Networks (ANNs) have yielded impressive results in
the realm of simulated intelligent behavior, it is important to remember that
they are but sparse approximations of Biological Neural Networks (BNNs). We go
beyond comparison of ANNs and BNNs to introduce principles from BNNs that might
guide the further development of ANNs as embodied neural models. These
principles include representational complexity, complex network
structure/energetics, and robust function. We then consider these principles in
ways that might be implemented in the future development of ANNs. In
conclusion, we consider the utility of this comparison, particularly in terms
of building more robust and dynamic ANNs. This even includes constructing a
morphology and sensory apparatus to create an embodied ANN, which when
complemented with the organizational and functional advantages of BNNs unlocks
the adaptive potential of lifelike networks.
- Abstract（参考訳）: ANN(Artificial Neural Networks)は、シミュレーションされた知的行動の領域において、印象的な結果をもたらしたが、それらは、BNN(Biological Neural Networks)のまばらな近似ではないことを忘れてはならない。
我々は、ANNとBNNの比較を超えて、BNNの原則を導入し、ANNを具体的ニューラルネットワークとして発展させるかもしれない。
これらの原則には、表現複雑性、複雑なネットワーク構造/エネルギー、ロバスト関数が含まれる。
次に、これらの原則をannの将来の開発に実装する方法で検討する。
結論として,この比較の有用性,特に強固でダイナミックなアンの構築について考察する。
さらに、BNNの組織的および機能的な利点を補完することで、ライフライクなネットワークの適応的ポテンシャルを解き放ちます。
関連論文リスト
- Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - Transforming to Yoked Neural Networks to Improve ANN Structure [0.0]
ほとんどの既存の人工ニューラルネットワーク(ANN)は、ニューラルネットワークを模倣するツリー構造として設計されている。
このような構造バイアスを効率的に除去するモデルYNNを提案する。
我々のモデルでは、ノードは特徴の集約と変換を行い、エッジは情報の流れを決定する。
論文 参考訳（メタデータ） (2023-06-03T16:56:18Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - Models Developed for Spiking Neural Networks [0.5801044612920815]
スパイキングニューラルネットワーク(SNN)は長い間存在しており、脳のダイナミクスを理解するために研究されてきた。
本研究では,画像分類タスクにおけるSNNの構造と性能について検討した。
比較は、これらのネットワークがより複雑な問題に対して優れた能力を示すことを示している。
論文 参考訳（メタデータ） (2022-12-08T16:18:53Z) - On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。
スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。
この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
論文 参考訳（メタデータ） (2022-06-21T09:42:30Z) - Linear Leaky-Integrate-and-Fire Neuron Model Based Spiking Neural
Networks and Its Mapping Relationship to Deep Neural Networks [7.840247953745616]
スパイキングニューラルネットワーク(SNN)は、生物学的可視性や教師なし学習能力など、脳にインスパイアされた機械学習アルゴリズムである。
本稿では,リニアリーキー・インテグレート・アンド・ファイア・モデル(LIF/SNN)の生物学的パラメータとReLU-AN/Deep Neural Networks(DNN)のパラメータとの正確な数学的マッピングを確立する。
論文 参考訳（メタデータ） (2022-05-31T17:02:26Z) - Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。
本稿では,関係データに対するKENNの拡張を提案する。
論文 参考訳（メタデータ） (2022-05-31T13:00:34Z) - Universal approximation property of invertible neural networks [76.95927093274392]
Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。
その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
論文 参考訳（メタデータ） (2022-04-15T10:45:26Z) - Accurate and efficient time-domain classification with adaptive spiking
recurrent neural networks [1.8515971640245998]
スパイクニューラルネットワーク(SNN)は、より生物学的に実行可能で、より強力なニューラルネットワークモデルとして研究されている。
本稿では、新規なサロゲート勾配と、チューナブルおよび適応性スピッキングニューロンの繰り返しネットワークがSNNの最先端を生み出す様子を示す。
論文 参考訳（メタデータ） (2021-03-12T10:27:29Z) - Combining Spiking Neural Network and Artificial Neural Network for
Enhanced Image Classification [1.8411688477000185]
生物学的脳シナプスによく似たSNN(spiking neural Network)は、低消費電力のために注目を集めている。
我々は、関係する性能を改善する汎用ハイブリッドニューラルネットワーク(hnn)を構築した。
論文 参考訳（メタデータ） (2021-02-21T12:03:16Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z)
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。