論文の概要: The brain as a probabilistic transducer: an evolutionarily plausible
network architecture for knowledge representation, computation, and behavior
- arxiv url: http://arxiv.org/abs/2112.13388v1
- Date: Sun, 26 Dec 2021 14:37:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-29 03:46:50.788869
- Title: The brain as a probabilistic transducer: an evolutionarily plausible
network architecture for knowledge representation, computation, and behavior
- Title（参考訳）: 確率的トランスデューサとしての脳--知識表現、計算、行動のための進化的に可能なネットワークアーキテクチャ
- Authors: Joseph Y. Halpern and Arnon Lotem
- Abstract要約: 我々は進化的にも計算的にも可能な、脳と行動に関する一般的な理論的枠組みを提供する。
私たちの抽象モデルの脳は、ノードとエッジのネットワークです。ネットワーク内のノードとエッジには、重みとアクティベーションレベルがあります。
ネットワークの生来の(遺伝的)コンポーネントを指定することで、進化がネットワークに最初の適応ルールと学習を通じて豊かになる目標を与える方法を示す。
- 参考スコア（独自算出の注目度）: 14.505867475659274
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We offer a general theoretical framework for brain and behavior that is
evolutionarily and computationally plausible. The brain in our abstract model
is a network of nodes and edges. Although it has some similarities to standard
neural network models, as we show, there are some significant differences. Both
nodes and edges in our network have weights and activation levels. They act as
probabilistic transducers that use a set of relatively simple rules to
determine how activation levels and weights are affected by input, generate
output, and affect each other. We show that these simple rules enable a
learning process that allows the network to represent increasingly complex
knowledge, and simultaneously to act as a computing device that facilitates
planning, decision-making, and the execution of behavior. By specifying the
innate (genetic) components of the network, we show how evolution could endow
the network with initial adaptive rules and goals that are then enriched
through learning. We demonstrate how the developing structure of the network
(which determines what the brain can do and how well) is critically affected by
the co-evolved coordination between the mechanisms affecting the distribution
of data input and those determining the learning parameters (used in the
programs run by nodes and edges). Finally, we consider how the model accounts
for various findings in the field of learning and decision making, how it can
address some challenging problems in mind and behavior, such as those related
to setting goals and self-control, and how it can help understand some
cognitive disorders.
- Abstract（参考訳）: 我々は進化的にも計算的にも可能な、脳と行動に関する一般的な理論的枠組みを提供する。
私たちの抽象モデルにおける脳は、ノードとエッジのネットワークです。
標準的なニューラルネットワークモデルといくつかの類似性があるが、いくつかの重要な違いがある。
ネットワーク内のノードとエッジには、重みとアクティベーションレベルがあります。
それらは確率的トランスデューサ(probabilistic transducer)として機能し、比較的単純なルールを使って、入力によってアクティベーションレベルと重みがどう影響するかを判断し、出力を生成し、互いに影響を及ぼす。
これらの単純なルールは、ネットワークがますます複雑な知識を表現できるように学習プロセスを可能にし、同時に、計画、意思決定、行動の実行を容易にするコンピューティングデバイスとして機能することを示します。
ネットワークの生来の(遺伝的)コンポーネントを指定することで、進化がネットワークに最初の適応ルールと学習を通じて豊かになる目標を与える方法を示す。
データ入力の分布に影響を及ぼすメカニズムと学習パラメータを決定するメカニズム(ノードとエッジによって実行されるプログラムで使用される)の協調によって、ネットワークの発達構造(脳が何ができるか、どのようにうまく機能するかを決定する)が、どのように影響するかを実証する。
最後に、このモデルが学習と意思決定の分野における様々な発見をどのように説明しているか、目標の設定や自己制御に関連する問題や、認知障害の理解にどのように役立つかなど、心身および行動の課題にどのように対処するかを検討する。
関連論文リスト
- Coding schemes in neural networks learning classification tasks [52.22978725954347]
完全接続型広義ニューラルネットワーク学習タスクについて検討する。
ネットワークが強力なデータ依存機能を取得することを示す。
驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
論文 参考訳（メタデータ） (2024-06-24T14:50:05Z) - 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) - Meta Neural Coordination [0.0]
メタラーニングは、新しい変化する環境に適応するために、他の学習アルゴリズムから学習できるアルゴリズムを開発することを目的としている。
従来のディープニューラルネットワークの予測の不確かさは、世界の部分的な予測可能性を強調している。
生物学的にインスパイアされたマシンインテリジェンスを構築するために必要な潜在的な進歩について論じる。
論文 参考訳（メタデータ） (2023-05-20T06:06:44Z) - The Neural Race Reduction: Dynamics of Abstraction in Gated Networks [12.130628846129973]
本稿では,情報フローの経路が学習力学に与える影響をスキーマ化するGated Deep Linear Networkフレームワークを紹介する。
正確な還元と、特定の場合において、学習のダイナミクスに対する正確な解が導出されます。
我々の研究は、ニューラルネットワークと学習に関する一般的な仮説を生み出し、より複雑なアーキテクチャの設計を理解するための数学的アプローチを提供する。
論文 参考訳（メタデータ） (2022-07-21T12:01:03Z) - 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) - Quasi-orthogonality and intrinsic dimensions as measures of learning and
generalisation [55.80128181112308]
ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。
本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
論文 参考訳（メタデータ） (2022-03-30T21:47:32Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Invariance, encodings, and generalization: learning identity effects
with neural networks [0.0]
単純な基準を満たすアルゴリズムが正しい推論を行うことができないことを厳密に証明できるフレームワークを提供する。
次に,勾配に基づくアルゴリズムで学習した深層フィードフォワードニューラルネットワークを含む幅広い学習アルゴリズムが,我々の基準を満たしていることを示す。
より広い状況では、ネットワークが必ずしも誤って分類する逆の例を提供することができます。
論文 参考訳（メタデータ） (2021-01-21T01:28:15Z) - Malicious Network Traffic Detection via Deep Learning: An Information
Theoretic View [0.0]
本研究では,ホメオモルフィズムがマルウェアのトラフィックデータセットの学習表現に与える影響について検討する。
この結果から,学習された表現の詳細と,すべてのパラメータの多様体上で定義された特定の座標系は,関数近似とは全く異なることが示唆された。
論文 参考訳（メタデータ） (2020-09-16T15:37:44Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Generalizing Outside the Training Set: When Can Neural Networks Learn
Identity Effects? [1.2891210250935143]
標準アーキテクチャによるディープニューラルネットワークやバックプロパゲーションによるトレーニングを含むアルゴリズムのクラスが、新しい入力に一般化可能であることを示す。
我々は,新しい入力に一般化するアルゴリズムの能力に対する異なる入力エンコーディングの効果を探索する計算実験で,我々の理論を実証する。
論文 参考訳（メタデータ） (2020-05-09T01:08:07Z)
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。