論文の概要: Explanatory models in neuroscience: Part 2 -- constraint-based intelligibility

• arxiv url: http://arxiv.org/abs/2104.01489v2
• Date: Wed, 14 Apr 2021 16:59:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 10:57:02.906916
• Title: Explanatory models in neuroscience: Part 2 -- constraint-based intelligibility
• Title（参考訳）: 神経科学における説明モデル : その2-制約に基づく知性
• Authors: Rosa Cao and Daniel Yamins
• Abstract要約: 計算モデリングは神経科学においてますます重要な役割を担い、モデルがどのように説明するかという哲学的な疑問を浮き彫りにしている。 生物学的システムでは、これらの依存関係の多くは自然に「トップダウン」である NNモデルの構築に使用される最適化手法が,これらの依存関係のいくつかの重要な側面をいかに捉えているかを示す。
• 参考スコア（独自算出の注目度）: 8.477619837043214
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Computational modeling plays an increasingly important role in neuroscience, highlighting the philosophical question of how computational models explain. In the context of neural network models for neuroscience, concerns have been raised about model intelligibility, and how they relate (if at all) to what is found in the brain. We claim that what makes a system intelligible is an understanding of the dependencies between its behavior and the factors that are causally responsible for that behavior. In biological systems, many of these dependencies are naturally "top-down": ethological imperatives interact with evolutionary and developmental constraints under natural selection. We describe how the optimization techniques used to construct NN models capture some key aspects of these dependencies, and thus help explain why brain systems are as they are -- because when a challenging ecologically-relevant goal is shared by a NN and the brain, it places tight constraints on the possible mechanisms exhibited in both kinds of systems. By combining two familiar modes of explanation -- one based on bottom-up mechanism (whose relation to neural network models we address in a companion paper) and the other on top-down constraints, these models illuminate brain function.
• Abstract（参考訳）: 計算モデリングは神経科学においてますます重要な役割を担い、計算モデルがどのように説明するかという哲学的な疑問を強調している。 神経科学のためのニューラル・ネットワーク・モデルという文脈では、モデルの知性や、脳内に存在するものと(もしあれば)どう関係しているのかという懸念が提起されている。 システムを理解可能にするのは、その振る舞いと、その振る舞いに因果的に責任を持つ要因の間の依存関係を理解することだと主張する。 生物学的システムでは、これらの依存関係の多くは自然に「トップダウン(top-down)」である。 我々は、nnモデルを構築するために使用される最適化手法が、これらの依存関係のいくつかの重要な側面を捉えていることを記述し、そのため、脳システムがなぜそうであるのかを説明するのに役立ちます。 ボトムアップのメカニズム(我々が共著で取り上げているニューラルネットワークモデルとの関係)とトップダウン制約の2つの見慣れた説明モードを組み合わせることで、これらのモデルは脳の機能を照らします。

関連論文リスト

• Formal Explanations for Neuro-Symbolic AI [28.358183683756028]
  本稿では,ニューロシンボリックシステムの決定を説明するための公式なアプローチを提案する。 これはまず、説明が必要な神経情報の個々の部分のサブセットを特定するのに役立つ。 これに続いて、階層的な形式的な説明の簡潔さを促進するために、互いに独立して、これらの個々の神経入力のみを説明する。
  論文  参考訳（メタデータ） (2024-10-18T07:08:31Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  しきい値単位の動的代替として人工内蔵ニューロン(AKOrN)を導入する。 このアイデアは、幅広いタスクにまたがってパフォーマンス改善をもたらすことを示しています。 これらの経験的結果は、神経表現の最も基本的なレベルにおいて、私たちの仮定の重要性を示していると信じている。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• Synergistic pathways of modulation enable robust task packing within neural dynamics [0.0]
  ニューラルダイナミクスの文脈変調の2つの形態の区別を探索するために、リカレント・ネットワーク・モデルを用いる。 我々はこれらのメカニズムの区別を、それらが引き起こす神経力学のレベルで示す。 これらの特徴は、これらのメカニズムがどのように振る舞うかの相補性と相乗性を示している。
  論文  参考訳（メタデータ） (2024-08-02T15:12:01Z)
• 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)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• 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)
• Constraints on the design of neuromorphic circuits set by the properties of neural population codes [61.15277741147157]
  脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。 ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
  論文  参考訳（メタデータ） (2022-12-08T15:16:04Z)
• Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
  我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。 強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
  論文  参考訳（メタデータ） (2021-07-06T17:59:49Z)
• Explanatory models in neuroscience: Part 1 -- taking mechanistic abstraction seriously [8.477619837043214]
  批判者は、ニューラルネットワークモデルが脳の機能を照らすことができないことを心配している。 ある種のニューラルネットワークモデルは、実際には力学モデルのよい例である、と我々は主張する。
  論文  参考訳（メタデータ） (2021-04-03T22:17:40Z)
• A Neural Dynamic Model based on Activation Diffusion and a Micro-Explanation for Cognitive Operations [4.416484585765028]
  記憶の神経機構は、人工知能における表現の問題と非常に密接な関係を持っている。 脳内のニューロンのネットワークとその情報処理のシミュレーションを行う計算モデルが提案された。
  論文  参考訳（メタデータ） (2020-11-27T01:34:08Z)

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。