論文の概要: Deep Auto-encoder with Neural Response
- arxiv url: http://arxiv.org/abs/2111.15309v1
- Date: Tue, 30 Nov 2021 11:44:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 15:53:42.499616
- Title: Deep Auto-encoder with Neural Response
- Title(参考訳): ニューラル応答を用いたディープオートエンコーダ
- Authors: Xuming Ran, Jie Zhang, Ziyuan Ye, Haiyan Wu, Qi Xu, Huihui Zhou,
Quanying Liu
- Abstract要約: ニューラルレスポンス(DAE-NR)を用いたディープオートエンコーダと呼ばれるハイブリッドモデルを提案する。
DAE-NRは、視覚野からの情報をANNに組み込んで、より優れた画像再構成と、生物学的および人工ニューロン間の高い神経表現類似性を実現する。
DAE-NRは, 共同学習によって(画像再構成の性能の向上) 生体ニューロンと人工ニューロンとの表現的類似性の向上が可能であることを実証した。
- 参考スコア(独自算出の注目度): 8.797970797884023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence and neuroscience are deeply interactive. Artificial
neural networks (ANNs) have been a versatile tool to study the neural
representation in the ventral visual stream, and the knowledge in neuroscience
in return inspires ANN models to improve performance in the task. However, how
to merge these two directions into a unified model has less studied. Here, we
propose a hybrid model, called deep auto-encoder with the neural response
(DAE-NR), which incorporates the information from the visual cortex into ANNs
to achieve better image reconstruction and higher neural representation
similarity between biological and artificial neurons. Specifically, the same
visual stimuli (i.e., natural images) are input to both the mice brain and
DAE-NR. The DAE-NR jointly learns to map a specific layer of the encoder
network to the biological neural responses in the ventral visual stream by a
mapping function and to reconstruct the visual input by the decoder. Our
experiments demonstrate that if and only if with the joint learning, DAE-NRs
can (i) improve the performance of image reconstruction and (ii) increase the
representational similarity between biological neurons and artificial neurons.
The DAE-NR offers a new perspective on the integration of computer vision and
visual neuroscience.
- Abstract(参考訳): 人工知能と神経科学は深く対話的である。
人工ニューラルネットワーク(anns)は、脳室の視覚の流れにおける神経表現を研究するための多用途なツールであり、神経科学の知識は、annモデルにタスクのパフォーマンスを改善する刺激を与えている。
しかし、これらの2つの方向を統一モデルにマージする方法は研究されていない。
本稿では、視覚野からの情報をANNに組み込んだディープオートエンコーダ(DAE-NR)と呼ばれるハイブリッドモデルを提案する。
具体的には、マウス脳とDAE-NRの両方に同じ視覚刺激(すなわち自然画像)が入力される。
dae−nrは、マッピング関数により、エンコーダネットワークの特定の層を、心室視覚ストリームの生物学的神経応答にマッピングし、デコーダによる視覚入力を再構築することを学ぶ。
我々の実験は、共同学習でDAE-NRが可能であることを証明している。
(i)画像再構成性能の向上及び改善
(ii) 生体ニューロンと人工ニューロンとの表現的類似性を増加させる。
DAE-NRはコンピュータビジョンと視覚神経科学の統合に関する新たな視点を提供する。
関連論文リスト
- 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) - ReAlnet: Achieving More Human Brain-Like Vision via Human Neural
Representational Alignment [2.035627332992055]
Re(presentational)Al(ignment)netは非侵襲的な脳波記録に基づく人間の脳活動に沿った視覚モデルである。
我々の革新的な画像から脳への多層符号化フレームワークは、神経アライメントの飛躍的な飛躍を示す。
以上の結果から,ReAlnetは人工視と人間の視界のギャップを埋める新たな先例となることが示唆された。
論文 参考訳(メタデータ) (2024-01-30T18:18:41Z) - Unidirectional brain-computer interface: Artificial neural network
encoding natural images to fMRI response in the visual cortex [12.1427193917406]
本稿では,人間の脳を模倣する人工ニューラルネットワークVISIONを提案する。
VISIONは、人間の血行動態の反応をfMRIボクセル値として、最先端の性能を超える精度で45%の精度で予測することに成功した。
論文 参考訳(メタデータ) (2023-09-26T15:38:26Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳(メタデータ) (2023-05-26T02:52:12Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Adapting Brain-Like Neural Networks for Modeling Cortical Visual
Prostheses [68.96380145211093]
皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。
現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。
我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
論文 参考訳(メタデータ) (2022-09-27T17:33:19Z) - Coupling Visual Semantics of Artificial Neural Networks and Human Brain
Function via Synchronized Activations [13.956089436100106]
本稿では,ANNとBNNの視覚的表現空間と意味を結合する新しい計算フレームワーク,Sync-ACTを提案する。
このアプローチにより、人間の脳画像から生物学的に意味のある記述を導き、ANNのニューロンに意味論的に注釈を付けることができる。
論文 参考訳(メタデータ) (2022-06-22T03:32:17Z) - 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) - Drop, Swap, and Generate: A Self-Supervised Approach for Generating
Neural Activity [33.06823702945747]
我々はSwap-VAEと呼ばれる神経活動の不整合表現を学習するための新しい教師なしアプローチを導入する。
このアプローチは、生成モデリングフレームワークとインスタンス固有のアライメント損失を組み合わせたものです。
我々は、行動に関連付けられた関連する潜在次元に沿って、ニューラルネットワークをアンタングルする表現を構築することが可能であることを示す。
論文 参考訳(メタデータ) (2021-11-03T16:39:43Z) - NeuroGen: activation optimized image synthesis for discovery
neuroscience [9.621977197691747]
我々はNeuroGenと呼ばれる新しい計算戦略を提案し、限界を克服し、人間の視覚神経科学発見のための強力なツールを開発する。
NeuroGenは、人間の視覚のfMRIで訓練されたニューラルエンコーディングモデルと深層生成ネットワークを組み合わせて、予測された画像を合成し、マクロな脳活性化のターゲットパターンを達成する。
我々はNeuroGenによって作成された少数の合成画像を用いて、視覚刺激に対する局所的および個人的脳反応パターンの違いを検出し、増幅できることを実証した。
論文 参考訳(メタデータ) (2021-05-15T04:36:39Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-02-02T21:09:39Z)
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。