論文の概要: Hippocampal Spatial Mapping As Fast Graph Learning
- arxiv url: http://arxiv.org/abs/2107.00567v1
- Date: Thu, 1 Jul 2021 16:05:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 13:38:47.631353
- Title: Hippocampal Spatial Mapping As Fast Graph Learning
- Title（参考訳）: 高速グラフ学習としての海馬空間マッピング
- Authors: Marcus Lewis
- Abstract要約: 海馬の形成は環境の空間地図を学習すると考えられており、多くのモデルにおいて、この学習プロセスは環境の各場所に感覚アソシエーションを形成する。
本研究では,環境部分のグラフ学習問題として空間マッピングにアプローチする。
海馬のエングラム細胞で表される学習グラフの各ノードは、実験的に観察されたニューロンタイプを用いて、側角膜皮質(LEC)の特徴情報と中角膜皮質(MEC)の位置情報に関連付けられている。
任意の情報をノードやエッジに関連付けるというこの中核的な考え方は本質的に空間的ではないので、この提案は高速である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The hippocampal formation is thought to learn spatial maps of environments,
and in many models this learning process consists of forming a sensory
association for each location in the environment. This is inefficient, akin to
learning a large lookup table for each environment. Spatial maps can be learned
much more efficiently if the maps instead consist of arrangements of sparse
environment parts. In this work, I approach spatial mapping as a problem of
learning graphs of environment parts. Each node in the learned graph,
represented by hippocampal engram cells, is associated with feature information
in lateral entorhinal cortex (LEC) and location information in medial
entorhinal cortex (MEC) using empirically observed neuron types. Each edge in
the graph represents the relation between two parts, and it is associated with
coarse displacement information. This core idea of associating arbitrary
information with nodes and edges is not inherently spatial, so this proposed
fast-relation-graph-learning algorithm can expand to incorporate many spatial
and non-spatial tasks.
- Abstract（参考訳）: 海馬の形成は環境の空間地図を学習すると考えられており、多くのモデルにおいて、この学習プロセスは環境の各場所に感覚アソシエーションを形成する。
これは非効率で、環境ごとに大きなルックアップテーブルを学習するのと同じです。
空間地図が疎環境部分の配置からなる場合、空間地図をより効率的に学習することができる。
本研究では,環境部分のグラフ学習問題として空間マッピングにアプローチする。
海馬のエングラム細胞で表される学習グラフの各ノードは、実験的に観察されたニューロンタイプを用いて、側角膜皮質(LEC)の特徴情報と中角膜皮質(MEC)の位置情報に関連付けられている。
グラフの各エッジは2つの部分間の関係を表し、粗い変位情報に関連付けられている。
任意の情報をノードやエッジに関連付けるというこの中核的な考え方は本質的に空間的ではないため、この高速相関グラフ学習アルゴリズムは、多くの空間的および非空間的タスクを組み込むことができる。
関連論文リスト
- A Planet Scale Spatial-Temporal Knowledge Graph Based On OpenStreetMap And H3 Grid [1.6658912537684454]
本稿では,OpenStreetMapデータの時空間知識グラフへの惑星スケール変換を支援するフレームワークを提案する。
OpenStreetMapデータに加えて、異なるOpenStreetMapを個々のh3グリッドセルに並べる。
論文 参考訳（メタデータ） (2024-05-24T09:22:20Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - TractCloud: Registration-free tractography parcellation with a novel
local-global streamline point cloud representation [63.842881844791094]
現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。
我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
論文 参考訳（メタデータ） (2023-07-18T06:35:12Z) - PolarMOT: How Far Can Geometric Relations Take Us in 3D Multi-Object
Tracking? [62.997667081978825]
グラフのノードとして3D検出を符号化し、グラフエッジ上の局所極座標を用いてオブジェクト間の空間的および時間的対関係を符号化する。
これにより、グラフニューラルネットワークは、時間的および空間的相互作用を効果的に符号化することができる。
我々はnuScenesデータセット上に新しい最先端のデータセットを構築し、さらに重要なことに、私たちの手法であるPolarMOTが、異なる場所にわたって驚くほどよく一般化されていることを示す。
論文 参考訳（メタデータ） (2022-08-03T10:06:56Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z) - Graph Geometry Interaction Learning [41.10468385822182]
本研究では,グラフにおける豊富な幾何学的特性を学習するための,グラフの幾何学的相互作用学習(GIL)手法を開発した。
提案手法は,各ノードに,フレキシブルな二重特徴量相互作用学習と確率組立機構を通じて,各幾何学空間の重要性を決定する自由を与える。
ノード分類とリンク予測タスクに関する5つのベンチマークデータセットについて,実験結果を示す。
論文 参考訳（メタデータ） (2020-10-23T02:40:28Z) - Deep Hypergraph U-Net for Brain Graph Embedding and Classification [0.0]
ネットワーク神経科学は、ネットワーク(またはコネクトーム)で表されるシステムとして脳を調べる
データサンプルの低次元埋め込みを学習するためにハイパーグラフ構造を利用した新しいデータ埋め込みフレームワークHypergraph U-Netを提案する。
自閉症および認知症患者の形態的・機能的脳ネットワークを含む,小規模・大規模異種脳コネクトームデータセットについて検討した。
論文 参考訳（メタデータ） (2020-08-30T08:15:18Z) - Differentiable Mapping Networks: Learning Structured Map Representations
for Sparse Visual Localization [28.696160266177806]
微分可能マッピングネットワーク(DMN)は、視覚的ローカライゼーションのための効果的なマップ表現を学習する。
シミュレーション環境と実世界のストリートビューデータセットを用いたDMNの評価を行った。
論文 参考訳（メタデータ） (2020-05-19T15:43:39Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
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。