論文の概要: Testing the Tools of Systems Neuroscience on Artificial Neural Networks
- arxiv url: http://arxiv.org/abs/2202.07035v1
- Date: Mon, 14 Feb 2022 20:55:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-25 20:39:01.778436
- Title: Testing the Tools of Systems Neuroscience on Artificial Neural Networks
- Title（参考訳）: ニューラルネットワークを用いたシステム神経科学ツールのテスト
- Authors: Grace W. Lindsay
- Abstract要約: これらのツールは明示的にテストされるべきであり、人工知能(ANN)が彼らにとって適切なテスト基盤である、と私は主張する。
ANNを知覚から記憶、運動制御に至るまで、あらゆるもののモデルとして使用することは、人工ニューラルネットワークと生物学的ニューラルネットワークの粗い類似性に起因する。
ここでは、このテストを実行するためのロードマップと、ANNでテストするのに適したツールのリストを提供しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neuroscientists apply a range of common analysis tools to recorded neural
activity in order to glean insights into how neural circuits implement
computations. Despite the fact that these tools shape the progress of the field
as a whole, we have little empirical evidence that they are effective at
quickly identifying the phenomena of interest. Here I argue that these tools
should be explicitly tested and that artificial neural networks (ANNs) are an
appropriate testing grounds for them. The recent resurgence of the use of ANNs
as models of everything from perception to memory to motor control stems from a
rough similarity between artificial and biological neural networks and the
ability to train these networks to perform complex high-dimensional tasks.
These properties, combined with the ability to perfectly observe and manipulate
these systems, makes them well-suited for vetting the tools of systems and
cognitive neuroscience. I provide here both a roadmap for performing this
testing and a list of tools that are suitable to be tested on ANNs. Using ANNs
to reflect on the extent to which these tools provide a productive
understanding of neural systems -- and on exactly what understanding should
mean here -- has the potential to expedite progress in the study of the brain.
- Abstract（参考訳）: 神経科学者は、神経回路がどのように計算を実行するかについての洞察を得るために、記録された神経活動に様々な共通分析ツールを適用する。
これらのツールが分野全体の進歩を形作るという事実にもかかわらず、興味のある現象を素早く特定するのに有効であるという実証的な証拠はほとんどない。
ここでは、これらのツールは明示的にテストされるべきであり、人工知能(ANN)が彼らにとって適切なテスト基盤である、と論じます。
ANNを知覚から記憶、運動制御に至るまでのあらゆるもののモデルとして使用することは、人工ニューラルネットワークと生物学的ニューラルネットワークの粗い類似性と、複雑な高次元タスクを実行するためにこれらのネットワークを訓練する能力に起因している。
これらの特性は、これらのシステムを完璧に観察し、操作する能力と組み合わさって、システムのツールや認知神経科学の検証に適している。
ここでは、このテストを実行するためのロードマップと、ANNでテストするのに適したツールのリストを提供しています。
ANNを使って、これらのツールが神経系の生産的理解を提供する範囲、そしてここで何を意味するべきかを反映することで、脳の研究の進歩を早める可能性がある。
関連論文リスト
- 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) - 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 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) - Brain-inspired learning in artificial neural networks: a review [5.064447369892274]
人工ニューラルネットワークにおける脳にインスパイアされた学習表現について概説する。
これらのネットワークの能力を高めるために, シナプス可塑性などの生物学的に妥当な機構の統合について検討する。
論文 参考訳（メタデータ） (2023-05-18T18:34:29Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Efficient, probabilistic analysis of combinatorial neural codes [0.0]
ニューラルネットワークは、個々のニューロンの活動の組み合わせの形で入力を符号化する。
これらのニューラルネットワークは、その高次元性としばしば大量のデータのため、計算上の課題を示す。
従来の手法を小さな例に適用し,実験によって生成された大きなニューラルコードに適用する。
論文 参考訳（メタデータ） (2022-10-19T11:58:26Z) - Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。
本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。
NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-05-25T12:41:59Z) - Probing artificial neural networks: insights from neuroscience [6.7832320606111125]
神経科学は、近年の多くの研究を通じて、このようなモデルの使用法を開拓してきた。
我々は、調査を設計する際には、特定の研究目標が最重要の役割を担い、これらの目標を明示するために将来の探究研究を奨励する。
論文 参考訳（メタデータ） (2021-04-16T16:13:23Z) - Neuromorphic Processing and Sensing: Evolutionary Progression of AI to
Spiking [0.0]
スパイキングニューラルネットワークアルゴリズムは、計算と電力要求の一部を利用して高度な人工知能を実装することを約束する。
本稿では,スパイクに基づくニューロモルフィック技術の理論的研究について解説し,ハードウェアプロセッサ,ソフトウェアプラットフォーム,ニューロモルフィックセンシングデバイスの現状について概説する。
プログレクションパスは、現在の機械学習スペシャリストがスキルセットを更新し、現在の世代のディープニューラルネットワークからSNNへの分類または予測モデルを作成するために舗装されている。
論文 参考訳（メタデータ） (2020-07-10T20:54:42Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z)
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。