論文の概要: Modeling the Repetition-based Recovering of Acoustic and Visual Sources with Dendritic Neurons

• arxiv url: http://arxiv.org/abs/2201.06123v1
• Date: Sun, 16 Jan 2022 19:35:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 00:46:08.160314
• Title: Modeling the Repetition-based Recovering of Acoustic and Visual Sources with Dendritic Neurons
• Title（参考訳）: デンドリティックニューロンを用いた音響および視覚源の繰り返しに基づく回復のモデル化
• Authors: Giorgia Dellaferrera, Toshitake Asabuki, Tomoki Fukai
• Abstract要約: 自然の聴覚環境において、音響信号は異なる音源の時間重畳から生じる。 ヒトの実験では、聴覚系は音響入力に埋め込まれた繰り返しパターンとして音源を識別できることが示されている。 音響刺激の混合配列のブラインドソース分離を行うための生物学的にインスパイアされた計算モデルを提案する。
• 参考スコア（独自算出の注目度）: 5.306881553301636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In natural auditory environments, acoustic signals originate from the temporal superimposition of different sound sources. The problem of inferring individual sources from ambiguous mixtures of sounds is known as blind source decomposition. Experiments on humans have demonstrated that the auditory system can identify sound sources as repeating patterns embedded in the acoustic input. Source repetition produces temporal regularities that can be detected and used for segregation. Specifically, listeners can identify sounds occurring more than once across different mixtures, but not sounds heard only in a single mixture. However, whether such a behaviour can be computationally modelled has not yet been explored. Here, we propose a biologically inspired computational model to perform blind source separation on sequences of mixtures of acoustic stimuli. Our method relies on a somatodendritic neuron model trained with a Hebbian-like learning rule which can detect spatio-temporal patterns recurring in synaptic inputs. We show that the segregation capabilities of our model are reminiscent of the features of human performance in a variety of experimental settings involving synthesized sounds with naturalistic properties. Furthermore, we extend the study to investigate the properties of segregation on task settings not yet explored with human subjects, namely natural sounds and images. Overall, our work suggests that somatodendritic neuron models offer a promising neuro-inspired learning strategy to account for the characteristics of the brain segregation capabilities as well as to make predictions on yet untested experimental settings.
• Abstract（参考訳）: 自然の聴覚環境において、音響信号は異なる音源の時間的重ね合わせに由来する。 ノイズのあいまいな混合から個々の音源を推定する問題は、ブラインドソース分解として知られている。 ヒトの実験では、聴覚系は音響入力に埋め込まれた繰り返しパターンとして音源を識別できることを示した。 ソースの繰り返しは、分離のために検出および使用可能な時間規則を生成する。 具体的には、リスナーは複数の混合音で1回以上発生する音を識別できるが、単一の混合音でしか聞こえない。 しかし、そのような振る舞いを計算的にモデル化できるかどうかはまだ検討されていない。 そこで本研究では,音響刺激の混合配列のブラインド音源分離を行うバイオインスパイアされた計算モデルを提案する。 本手法は,シナプス入力で繰り返し発生する時空間パターンを検出できるヒュービアン様学習規則で学習した体性樹状ニューロンモデルに依存している。 本モデルの分離性は,合成音と自然特性を含む様々な実験環境における人間のパフォーマンスの特徴を想起させる。 さらに,本研究は,人間の対象,すなわち自然音や画像でまだ探索されていないタスク設定における分離の特性について検討するために拡張された。 我々の研究は、体性樹状ニューロンモデルが有望な学習戦略を提供し、脳の分離能力の特性を考慮し、まだテストされていない実験環境での予測を可能にすることを示唆している。

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)
• Stimulus-to-Stimulus Learning in RNNs with Cortical Inductive Biases [0.0]
  大脳皮質に広まる2種類の誘導バイアスを用いた刺激置換の繰り返しニューラルネットワークモデルを提案する。 本研究では,モデルが幅広い条件づけ現象を発生させ,学習量と多数の関連性を学習可能であることを示す。 我々の枠組みは、大脳皮質におけるマルチコンパートメントニューロン処理の重要性を強調し、大脳皮質動物を進化の端とみなす方法を示している。
  論文  参考訳（メタデータ） (2024-09-20T13:01:29Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Analyzing Diffusion as Serial Reproduction [12.389541192789167]
  拡散モデルは、データを徐々にノイズにマッピングする拡散過程を反転させることでサンプルを合成することを学ぶ。 私たちの研究は、認知科学の古典的なパラダイムが、最先端の機械学習問題に光を当てる方法を強調しています。
  論文  参考訳（メタデータ） (2022-09-29T14:35:28Z)
• Successes and critical failures of neural networks in capturing human-like speech recognition [1.1602089225841632]
  音声認識は、本質的に人間には様々な分光時間的粒度の多数の変換に対して堅牢である。 我々は、現状のニューラルネットワークを刺激計算可能で最適化されたオブザーバとして評価する。
  論文  参考訳（メタデータ） (2022-04-06T06:35:10Z)
• Dependency-based Mixture Language Models [53.152011258252315]
  依存性に基づく混合言語モデルを紹介する。 より詳しくは、依存関係モデリングの新たな目的により、まずニューラルネットワークモデルを訓練する。 次に、前回の依存性モデリング確率分布と自己意図を混合することにより、次の確率を定式化する。
  論文  参考訳（メタデータ） (2022-03-19T06:28:30Z)
• EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters [72.19032452642728]
  本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。 我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。 発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
  論文  参考訳（メタデータ） (2021-10-19T14:22:04Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)
• 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)
• Bio-Inspired Modality Fusion for Active Speaker Detection [1.0644456464343592]
  本稿では,アクティブ話者検出のための聴覚情報と視覚情報を融合する手法を提案する。 この機能は、遠隔会議システムからソーシャルロボティクスまで、幅広い用途を持つことができる。
  論文  参考訳（メタデータ） (2020-02-28T20:56:24Z)

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。