論文の概要: Challenges for cognitive decoding using deep learning methods

• arxiv url: http://arxiv.org/abs/2108.06896v1
• Date: Mon, 16 Aug 2021 05:01:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 23:35:05.338861
• Title: Challenges for cognitive decoding using deep learning methods
• Title（参考訳）: 深層学習を用いた認知的復号化の課題
• Authors: Armin W. Thomas, Christopher R\'e, Russell A. Poldrack
• Abstract要約: 認知的復号法では、研究者は脳の領域の表現を、その領域の活動から識別できる認知状態を特定することによって特徴づけることを目指している。 ディープラーニング(DL)手法は、複雑なデータの汎用的な表現を学習する未整合能力とともに、認知的復号化に非常に有望である。 本稿では,近年の人工知能と伝達学習の進歩を活用して,これらの課題に対処することを提案する。
• 参考スコア（独自算出の注目度）: 0.7476901945542384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In cognitive decoding, researchers aim to characterize a brain region's representations by identifying the cognitive states (e.g., accepting/rejecting a gamble) that can be identified from the region's activity. Deep learning (DL) methods are highly promising for cognitive decoding, with their unmatched ability to learn versatile representations of complex data. Yet, their widespread application in cognitive decoding is hindered by their general lack of interpretability as well as difficulties in applying them to small datasets and in ensuring their reproducibility and robustness. We propose to approach these challenges by leveraging recent advances in explainable artificial intelligence and transfer learning, while also providing specific recommendations on how to improve the reproducibility and robustness of DL modeling results.
• Abstract（参考訳）: 認知デコーディングにおいて、研究者は、その領域の活動から識別できる認知状態(例えば、ギャンブルの受容/削除)を識別することによって、脳領域の表現を特徴付けることを目的としている。 深層学習(DL)手法は、複雑なデータの汎用的な表現を学習する未整合能力を備えた認知的復号化に非常に有望である。 しかし、認知的復号化における彼らの広範な応用は、解釈可能性の欠如と、それを小さなデータセットに適用し、再現性と堅牢性を確保することの難しさによって妨げられている。 本稿では,最近の人工知能とトランスファー学習の進歩を活かし,dlモデリング結果の再現性とロバスト性を改善するための具体的な推奨を行うとともに,これらの課題へのアプローチを提案する。

関連論文リスト

• Mimicking Human Intuition: Cognitive Belief-Driven Q-Learning [5.960184723807347]
  本稿では,主観的信念モデリングをQラーニングフレームワークに統合した認知的信念駆動型Qラーニング(CBDQ)を提案する。 CBDQは、人間のような学習能力と推論能力を持つエージェントを提供することで、意思決定の精度を高める。 各種複雑環境における離散制御ベンチマークタスクについて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2024-10-02T16:50:29Z)
• Knowledge Tagging System on Math Questions via LLMs with Flexible Demonstration Retriever [48.5585921817745]
  大きな言語モデル(LLM)は知識タグ付けタスクを自動化するために使われる。 算数問題における知識タグ付けタスクに対するゼロショットと少数ショットの結果の強い性能を示す。 強化学習に基づくデモレトリバーの提案により,異なるサイズのLLMの潜在能力を活用できた。
  論文  参考訳（メタデータ） (2024-06-19T23:30:01Z)
• Improving deep learning with prior knowledge and cognitive models: A survey on enhancing explainability, adversarial robustness and zero-shot learning [0.0]
  我々は、敵の防御を実現するために、現在および新興の知識インフォームドおよび脳にインスパイアされた認知システムについてレビューする。 脳に触発された認知法は、人間の心を模倣する計算モデルを用いて、人工知能や自律ロボットの知的な行動を強化する。
  論文  参考訳（メタデータ） (2024-03-11T18:11:00Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Modeling cognitive load as a self-supervised brain rate with electroencephalography and deep learning [2.741266294612776]
  本研究では,脳波データからメンタルワークロードをモデリングするための,新たな自己教師型手法を提案する。 脳波データからスペクトル地形図を空間的に保存して脳速度変数に適合させることができる畳み込みリカレントニューラルネットワークである。 学習した認知活性化の準安定なブロックの存在は、それらは畳み込みによって誘導され、時間とともに互いに依存していないように見えるため、脳反応の非定常的性質と直感的に一致している。
  論文  参考訳（メタデータ） (2022-09-21T07:44:21Z)
• Towards Open-World EEG Decoding via Deep Learning [24.23699504873384]
  深層学習(DL)は脳波復号問題に対する潜在的な解決策として浮上している。 本稿では,オープンワールド脳波復号のためのDL手法について概説する。 現実世界のアプリケーションにおいて、脳波復号のための将来の研究を刺激する有望な研究方向を特定する。
  論文  参考訳（メタデータ） (2021-12-08T14:18:21Z)
• IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
  少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。 行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。 本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
  論文  参考訳（メタデータ） (2021-06-23T03:43:10Z)
• CogAlign: Learning to Align Textual Neural Representations to Cognitive Language Processing Signals [60.921888445317705]
  自然言語処理モデルに認知言語処理信号を統合するためのCogAlignアプローチを提案する。 我々は、CogAlignが、パブリックデータセット上の最先端モデルよりも、複数の認知機能で大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2021-06-10T07:10:25Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。