論文の概要: Towards Understanding Human Functional Brain Development with
Explainable Artificial Intelligence: Challenges and Perspectives
- arxiv url: http://arxiv.org/abs/2112.12910v1
- Date: Fri, 24 Dec 2021 02:13:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 16:51:06.350810
- Title: Towards Understanding Human Functional Brain Development with
Explainable Artificial Intelligence: Challenges and Perspectives
- Title（参考訳）: 説明可能な人工知能による脳機能発達の理解 : 課題と展望
- Authors: Mehrin Kiani, Javier Andreu-Perez, Hani Hagras, Silvia Rigato, and
Maria Laura Filippetti
- Abstract要約: 本稿では,現在最先端のAI技術が機能的脳発達にどのような影響を及ぼすかを理解することを目的とする。
また、脳の発達過程に基づいて、どのAI技術が彼らの学習を説明する可能性が高いかについてのレビューも実施されている。
- 参考スコア（独自算出の注目度）: 6.106661781836959
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The last decades have seen significant advancements in non-invasive
neuroimaging technologies that have been increasingly adopted to examine human
brain development. However, these improvements have not necessarily been
followed by more sophisticated data analysis measures that are able to explain
the mechanisms underlying functional brain development. For example, the shift
from univariate (single area in the brain) to multivariate (multiple areas in
brain) analysis paradigms is of significance as it allows investigations into
the interactions between different brain regions. However, despite the
potential of multivariate analysis to shed light on the interactions between
developing brain regions, artificial intelligence (AI) techniques applied
render the analysis non-explainable. The purpose of this paper is to understand
the extent to which current state-of-the-art AI techniques can inform
functional brain development. In addition, a review of which AI techniques are
more likely to explain their learning based on the processes of brain
development as defined by developmental cognitive neuroscience (DCN) frameworks
is also undertaken. This work also proposes that eXplainable AI (XAI) may
provide viable methods to investigate functional brain development as
hypothesised by DCN frameworks.
- Abstract（参考訳）: 過去数十年間、人間の脳の発達を調べるためにますます採用されている非侵襲的な神経画像技術が著しく進歩してきた。
しかし、これらの改善は必ずしも、機能的脳発達のメカニズムを説明することができる、より洗練されたデータ分析尺度に従わなかった。
例えば、単変量(脳の単一領域)から多変量(脳の複数領域)への変化分析パラダイムは、異なる脳領域間の相互作用の調査を可能にするために重要である。
しかし、発達する脳領域間の相互作用に光を当てる多変量解析の可能性にもかかわらず、人工知能(AI)技術を適用して分析を説明不能にする。
本研究の目的は,現在最先端のAI技術が機能的脳発達にどのような影響を及ぼすかを理解することである。
さらに、発達認知神経科学(DCN)フレームワークによって定義された脳発達のプロセスに基づいて、どのAI技術が学習を説明するかのレビューも実施されている。
この研究は、eXplainable AI(XAI)がDCNフレームワークによって仮説された機能的脳開発を調査するための実行可能な方法を提供するかもしれないことも示唆している。
関連論文リスト
- The brain versus AI: World-model-based versatile circuit computation underlying diverse functions in the neocortex and cerebellum [0.0]
脳とAIの類似点と収束進化を同定する。
確立した神経科学理論を統合する新しい理論を提案する。
私たちの体系的なアプローチ、洞察、理論は、脳を理解するための画期的な進歩を約束します。
論文 参考訳（メタデータ） (2024-11-25T04:05:43Z) - Brain-like Functional Organization within Large Language Models [58.93629121400745]
人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた
最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。
本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。
このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
論文 参考訳（メタデータ） (2024-10-25T13:15:17Z) - 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) - A Review of Findings from Neuroscience and Cognitive Psychology as
Possible Inspiration for the Path to Artificial General Intelligence [0.0]
本論は,神経科学と認知心理学の手法を検討することによって,人工知能の探求に貢献することを目的とする。
深層学習モデルによって達成された印象的な進歩にもかかわらず、抽象的推論と因果的理解にはまだ欠点がある。
論文 参考訳（メタデータ） (2024-01-03T09:46:36Z) - 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 Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - Digital twin brain: a bridge between biological intelligence and
artificial intelligence [12.55159053727258]
本稿では,生物と人工知能のギャップを埋めるトランスフォーメーションプラットフォームとして,Digital Twin Brain(DTB)を提案する。
DTBは、ツインニング過程の基本となる脳構造、脳機能を生成する底層モデル、幅広い応用の3つの中核要素から構成される。
論文 参考訳（メタデータ） (2023-08-03T03:36:22Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - In the realm of hybrid Brain: Human Brain and AI [0.0]
現在の脳-コンピュータインターフェース(BCI)技術は主に治療結果に関するものである。
近年,脳信号のデコードには人工知能(AI)と機械学習(ML)技術が用いられている。
クローズドループ,インテリジェント,低消費電力,小型化されたニューラルインターフェースの開発を想定する。
論文 参考訳（メタデータ） (2022-10-04T08:35:34Z) - The whole brain architecture approach: Accelerating the development of
artificial general intelligence by referring to the brain [1.637145148171519]
個人が脳全体に対応するソフトウェアプログラムを設計することは困難である。
全脳アーキテクチャアプローチは、脳に触発されたAGI開発プロセスを脳の参照アーキテクチャを設計するタスクに分割する。
本研究では,仮想成分図を作成するための仮説構築手法である構造拘束型界面分解(scid)法を提案する。
論文 参考訳（メタデータ） (2021-03-06T04:58:12Z) - 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。
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。