Fugu-MT 論文翻訳(概要): Probing artificial neural networks: insights from neuroscience

論文の概要: Probing artificial neural networks: insights from neuroscience

arxiv url: http://arxiv.org/abs/2104.08197v1
Date: Fri, 16 Apr 2021 16:13:23 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 17:06:48.084463
Title: Probing artificial neural networks: insights from neuroscience
Title（参考訳）: ニューラルネットワークの探索 : 神経科学からの洞察
Authors: Anna A. Ivanova, John Hewitt, Noga Zaslavsky
Abstract要約: 神経科学は、近年の多くの研究を通じて、このようなモデルの使用法を開拓してきた。我々は、調査を設計する際には、特定の研究目標が最重要の役割を担い、これらの目標を明示するために将来の探究研究を奨励する。
参考スコア（独自算出の注目度）: 6.7832320606111125
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A major challenge in both neuroscience and machine learning is the development of useful tools for understanding complex information processing systems. One such tool is probes, i.e., supervised models that relate features of interest to activation patterns arising in biological or artificial neural networks. Neuroscience has paved the way in using such models through numerous studies conducted in recent decades. In this work, we draw insights from neuroscience to help guide probing research in machine learning. We highlight two important design choices for probes $-$ direction and expressivity $-$ and relate these choices to research goals. We argue that specific research goals play a paramount role when designing a probe and encourage future probing studies to be explicit in stating these goals.
Abstract（参考訳）: 神経科学と機械学習の両方における大きな課題は、複雑な情報処理システムを理解するための有用なツールの開発である。そのようなツールの1つはプローブ、すなわち、生物学的または人工ニューラルネットワークで生じる活性化パターンに関心の特徴を関連付ける教師付きモデルである。神経科学は、近年の多くの研究を通じて、このようなモデルの使用法を開拓してきた。本研究では,脳神経科学の知見を抽出し,機械学習研究のガイドとなる。探索のための重要な2つの設計選択を$-$方向と表現率$-$で強調し、これらの選択を研究目標に関連付ける。我々は、調査を設計する際には、特定の研究目標が最重要の役割を担い、これらの目標を明示するために将来の探究研究を奨励する。

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)
Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文参考訳（メタデータ） (2024-06-01T02:47:39Z)
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)
Brain-inspired learning in artificial neural networks: a review [5.064447369892274]
人工ニューラルネットワークにおける脳にインスパイアされた学習表現について概説する。これらのネットワークの能力を高めるために, シナプス可塑性などの生物学的に妥当な機構の統合について検討する。
論文参考訳（メタデータ） (2023-05-18T18:34:29Z)
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)
Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing [73.0977635031713]
ニューラルシンボリック・コンピューティング(NeSy)は、人工知能(AI)の活発な研究領域である。 NeSyは、ニューラルネットワークにおける記号表現の推論と解釈可能性の利点と堅牢な学習の整合性を示す。
論文参考訳（メタデータ） (2022-10-28T04:38:10Z)
Testing the Tools of Systems Neuroscience on Artificial Neural Networks [0.0]
これらのツールは明示的にテストされるべきであり、人工知能(ANN)が彼らにとって適切なテスト基盤である、と私は主張する。 ANNを知覚から記憶、運動制御に至るまで、あらゆるもののモデルとして使用することは、人工ニューラルネットワークと生物学的ニューラルネットワークの粗い類似性に起因する。ここでは、このテストを実行するためのロードマップと、ANNでテストするのに適したツールのリストを提供しています。
論文参考訳（メタデータ） (2022-02-14T20:55:26Z)
Deep Reinforcement Learning and its Neuroscientific Implications [19.478332877763417]
強力な人工知能の出現は、神経科学の新しい研究方向を定義している。深層強化学習(Deep RL)は、学習、表現、意思決定の間の相互作用を研究するための枠組みを提供する。 Deep RLは、新しい研究ツールセットと、幅広い新しい仮説を提供する。
論文参考訳（メタデータ） (2020-07-07T19:27:54Z)
Artificial neural networks for neuroscientists: A primer [4.771833920251869]
ニューラルネットワーク(ANN)は、神経科学に注目が集まる機械学習において必須のツールである。この教養的なプライマーでは、ANNを導入し、神経科学的な問題を研究するためにどのように成果を上げてきたかを実証する。この数学的枠組みを神経生物学に近づけることに焦点をあてて、ANNの分析、構造、学習のカスタマイズ方法について詳述する。
論文参考訳（メタデータ） (2020-06-01T15:08:42Z)
A Developmental Neuro-Robotics Approach for Boosting the Recognition of Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文参考訳（メタデータ） (2020-03-23T14:55:00Z)

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。