論文の概要: Can the brain use waves to solve planning problems?
- arxiv url: http://arxiv.org/abs/2110.05158v1
- Date: Mon, 11 Oct 2021 11:07:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-11 19:28:21.123691
- Title: Can the brain use waves to solve planning problems?
- Title（参考訳）: 脳は計画上の問題を解決するために波を使えるのか?
- Authors: Henry Powell, Mathias Winkel, Alexander V. Hopp, Helmut Linde
- Abstract要約: このような課題を解くニューラルネットワークモデルを提案する。
このモデルは、哺乳類の新皮質と海馬に関する幅広い実験的な発見と互換性がある。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of behaviors like spatial navigation or bodily motion can be
formulated as graph traversal problems through cognitive maps. We present a
neural network model which can solve such tasks and is compatible with a broad
range of empirical findings about the mammalian neocortex and hippocampus. The
neurons and synaptic connections in the model represent structures that can
result from self-organization into a cognitive map via Hebbian learning, i.e.
into a graph in which each neuron represents a point of some abstract
task-relevant manifold and the recurrent connections encode a distance metric
on the manifold. Graph traversal problems are solved by wave-like activation
patterns which travel through the recurrent network and guide a localized peak
of activity onto a path from some starting position to a target state.
- Abstract（参考訳）: 空間的ナビゲーションや身体運動のような様々な行動は認知地図を通してグラフ横断問題として定式化することができる。
本稿では,このような課題を解決し,哺乳類の新皮質および海馬に関する幅広い経験的知見と適合するニューラルネットワークモデルを提案する。
モデル内のニューロンとシナプス接続は、ヘビー学習を通じて認知マップに自己組織化し得る構造、すなわち、各ニューロンが抽象的なタスク関連多様体の点を表現し、再帰接続が多様体上の距離計量をコードするグラフを表現する。
グラフトラバーサル問題は、リカレントネットワークを通り、ある開始位置から目標状態への経路への活動の局所化されたピークを導く波状活性化パターンによって解決される。
関連論文リスト
- NeuroFly: A framework for whole-brain single neuron reconstruction [17.93211301158225]
本稿では,大規模な単一ニューロン再構築のための検証フレームワークであるNeuroFlyを紹介する。
NeuroFlyはプロセスを、セグメンテーション、接続、証明の3つのステージに分割する。
私たちの目標は、ニューロン再構築の課題に取り組むために、研究者間のコラボレーションを促進することです。
論文 参考訳（メタデータ） (2024-11-07T13:56:13Z) - 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) - Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Finding Concept Representations in Neural Networks with Self-Organizing
Maps [2.817412580574242]
ニューラルネットワークの層活性化が抽象概念の神経表現にどのように対応するかを調べるために,自己組織化マップをどのように利用できるかを示す。
実験の結果, 概念の活性化マップの相対エントロピーは適切な候補であり, 概念の神経表現を同定し, 特定するための方法論として利用できることがわかった。
論文 参考訳（メタデータ） (2023-12-10T12:10:34Z) - Neuro-symbolic computing with spiking neural networks [0.6035125735474387]
我々は、スパイクベースのグラフアルゴリズムに関するこれまでの研究を、スパイクニューロンを用いてシンボリックおよびマルチリレーショナル情報をエンコードする方法を実証することによって拡張した。
導入されたフレームワークは、グラフ埋め込みパラダイムと、エラーバックプロパゲーションを用いたスパイクニューラルネットワークのトレーニングの最近の進歩を組み合わせることで実現されている。
論文 参考訳（メタデータ） (2022-08-04T10:49:34Z) - Biologically Inspired Neural Path Finding [71.77273989319868]
ヒトの脳は、シナプスによって接続された数千億の生物学的ニューロンからなるグラフィカルな構造と見なすことができる。
一般化グラフにおいて、ソースノードと宛先ノードの間の最適な低コスト経路を求めるための計算フレームワークを開発する。
論文 参考訳（メタデータ） (2022-06-13T08:33:22Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Deep Representation Learning For Multimodal Brain Networks [9.567489601729328]
本稿では,マルチモーダル脳ネットワークを融合させるために,エンドツーエンドの深層グラフ表現学習(Deep Multimodal Brain Networks - DMBN)を提案する。
脳構造ネットワークから機能ネットワークへの高階ネットワークマッピングはノード領域で学習される。
実験結果は,提案手法が他の最先端の深層脳ネットワークモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-07-19T20:32:05Z)
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。