論文の概要: Bayesian sense of time in biological and artificial brains
- arxiv url: http://arxiv.org/abs/2201.05464v1
- Date: Fri, 14 Jan 2022 14:05:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-17 14:12:57.459266
- Title: Bayesian sense of time in biological and artificial brains
- Title（参考訳）: 生体および人工脳におけるベイズ時間の感覚
- Authors: Zafeirios Fountas, Alexey Zakharov
- Abstract要約: 時間の経過を処理する脳の能力は、私たちの経験の基本的な次元の1つです。
ベイジアン脳仮説を用いて、人間の時間知覚に関する経験的データをどのように説明できるのか?
エージェントベースの機械学習モデルは、この主題の研究にどのような洞察を与えることができるのか?
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enquiries concerning the underlying mechanisms and the emergent properties of
a biological brain have a long history of theoretical postulates and
experimental findings. Today, the scientific community tends to converge to a
single interpretation of the brain's cognitive underpinnings -- that it is a
Bayesian inference machine. This contemporary view has naturally been a strong
driving force in recent developments around computational and cognitive
neurosciences. Of particular interest is the brain's ability to process the
passage of time -- one of the fundamental dimensions of our experience. How can
we explain empirical data on human time perception using the Bayesian brain
hypothesis? Can we replicate human estimation biases using Bayesian models?
What insights can the agent-based machine learning models provide for the study
of this subject? In this chapter, we review some of the recent advancements in
the field of time perception and discuss the role of Bayesian processing in the
construction of temporal models.
- Abstract（参考訳）: 生物学的脳のメカニズムと創発的性質に関する質問には、理論的な仮定と実験的発見の長い歴史がある。
今日、科学界は、脳の認知基盤の単一の解釈(ベイズ推論マシン)に収束する傾向にある。この現代の見解は、計算と認知神経科学に関する最近の発展において、自然に強力な推進力となっている。特に興味深いのは、脳が時間の経過を処理する能力である。それは、我々の経験の基本的な次元の1つである。
ベイズ脳仮説を用いた人間の時間知覚に関する経験的データの説明法
ベイズモデルを用いて人間の推定バイアスを再現できるか?
エージェントベースの機械学習モデルは、このテーマの研究にどのような洞察を提供できるだろうか?
本稿では,時間知覚の分野における最近の進歩を概観し,時間モデル構築におけるベイズ処理の役割について考察する。
関連論文リスト
- Don't Cut Corners: Exact Conditions for Modularity in Biologically Inspired Representations [52.48094670415497]
我々は、生物にインスパイアされた表現が、ソース変数(ソース)に関してモジュール化されるときの理論を開発する。
我々は、最適な生物学的にインスパイアされたリニアオートエンコーダのニューロンがモジュラー化されるかどうかを判断する情報源のサンプルに対して、必要かつ十分な条件を導出する。
我々の理論はどんなデータセットにも当てはまり、以前の研究で研究された統計的な独立性よりもはるかに長い。
論文 参考訳（メタデータ） (2024-10-08T17:41:37Z) - Coin-Flipping In The Brain: Statistical Learning with Neuronal Assemblies [9.757971977909683]
脳の計算モデルNEMOにおける統計的学習の出現について検討する。
アセンブリ間の接続が統計を記録し、環境騒音を利用して確率的選択をすることができることを示す。
論文 参考訳（メタデータ） (2024-06-11T20:51:50Z) - 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) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳（メタデータ） (2023-10-14T23:28:48Z) - Brain-inspired bodily self-perception model for robot rubber hand
illusion [11.686402949452546]
本稿では,脳にインスパイアされた身体の自己知覚モデルを提案する。
6つのゴムハンドイリュージョン実験と,iCubヒューマノイドロボットや模擬環境を含むプラットフォーム上での障害実験により,本モデルを検証した。
論文 参考訳（メタデータ） (2023-03-22T02:00:09Z) - Predictive Coding and Stochastic Resonance: Towards a Unified Theory of
Auditory (Phantom) Perception [6.416574036611064]
脳機能の機械的理解を得るためには、仮説駆動実験には生物学的に妥当な計算モデルが伴わなければならない。
本稿では,人工知能,心理学,神経科学の交差点における最近の研究について概説する。
脳内でユビキタスである2つの基本的な処理原則は、多数の実験結果に最も適していると結論付けます。
論文 参考訳（メタデータ） (2022-04-07T10:47:58Z) - Observing Interventions: A logic for thinking about experiments [62.997667081978825]
本稿では,実験から学ぶ論理への第一歩について述べる。
我々のアプローチにとって重要なことは、介入の概念が(現実的または仮説的な)実験の形式的表現として使用できるという考えである。
提案された全ての論理系に対して、健全で完全な公理化を提供する。
論文 参考訳（メタデータ） (2021-11-25T09:26:45Z) - Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。
この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。
これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文 参考訳（メタデータ） (2020-11-30T18:29:25Z) - The principles of adaptation in organisms and machines II:
Thermodynamics of the Bayesian brain [0.0]
この記事では、ベイジアン推論の観点から、ニューラルネットワークのダイナミクスを通じて生物がどのように世界を学び、認識するかをレビューする。
次に、神経活動のエントロピーの法則に基づいて、この過程に関する熱力学的見解を紹介する。
論文 参考訳（メタデータ） (2020-06-23T16:57:46Z) - Learning to infer in recurrent biological networks [4.56877715768796]
大脳皮質は逆アルゴリズムで学習するかもしれないと我々は主張する。
画像とビデオのデータセットをモデル化するために訓練されたリカレントニューラルネットワークについて説明する。
論文 参考訳（メタデータ） (2020-06-18T19:04:47Z) - Towards a Neural Model for Serial Order in Frontal Cortex: a Brain
Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。
我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。
これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
論文 参考訳（メタデータ） (2020-05-22T14:29:51Z)
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。