論文の概要: Predictive Coding and Stochastic Resonance: Towards a Unified Theory of
Auditory (Phantom) Perception
- arxiv url: http://arxiv.org/abs/2204.03354v1
- Date: Thu, 7 Apr 2022 10:47:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-09 00:00:20.517481
- Title: Predictive Coding and Stochastic Resonance: Towards a Unified Theory of
Auditory (Phantom) Perception
- Title（参考訳）: 予測符号化と確率共鳴:聴覚(ファントム)知覚の統一理論に向けて
- Authors: Achim Schilling, William Sedley, Richard Gerum, Claus Metzner,
Konstantin Tziridis, Andreas Maier, Holger Schulze, Fan-Gang Zeng, Karl J.
Friston, Patrick Krauss
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.416574036611064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cognitive computational neuroscience (CCN) suggests that to gain a
mechanistic understanding of brain function, hypothesis driven experiments
should be accompanied by biologically plausible computational models. This
novel research paradigm offers a way from alchemy to chemistry, in auditory
neuroscience. With a special focus on tinnitus - as the prime example of
auditory phantom perception - we review recent work at the intersection of
artificial intelligence, psychology, and neuroscience, foregrounding the idea
that experiments will yield mechanistic insight only when employed to test
formal or computational models. This view challenges the popular notion that
tinnitus research is primarily data limited, and that producing large,
multi-modal, and complex data-sets, analyzed with advanced data analysis
algorithms, will lead to fundamental insights into how tinnitus emerges. We
conclude that two fundamental processing principles - being ubiquitous in the
brain - best fit to a vast number of experimental results and therefore provide
the most explanatory power: predictive coding as a top-down, and stochastic
resonance as a complementary bottom-up mechanism. Furthermore, we argue that
even though contemporary artificial intelligence and machine learning
approaches largely lack biological plausibility, the models to be constructed
will have to draw on concepts from these fields; since they provide a formal
account of the requisite computations that underlie brain function.
Nevertheless, biological fidelity will have to be addressed, allowing for
testing possible treatment strategies in silico, before application in animal
or patient studies. This iteration of computational and empirical studies may
help to open the "black boxes" of both machine learning and the human brain.
- Abstract（参考訳）: 認知計算神経科学(CCN)は、脳機能の機械的理解を得るために、仮説駆動型実験は生物学的に妥当な計算モデルを伴うべきであることを示唆している。
この新しい研究パラダイムは、錬金術から化学、聴覚神経科学への道を提供する。
聴覚ファントム知覚の第一の例として、特にティンニトゥスに焦点をあてて、人工知能、心理学、神経科学の交点における最近の研究をレビューし、実験は形式的または計算的なモデルをテストするのにのみ機械的な洞察をもたらすという考えを予見する。
この見解は、ティンニタスの研究が主にデータ限定であり、先進的なデータ分析アルゴリズムで分析された大規模でマルチモーダルで複雑なデータセットを生成することは、ティンニタスの出現に関する根本的な洞察をもたらすという一般的な考え方に挑戦する。
脳にユビキタスであるという2つの基本的な処理原理は、多くの実験結果に最も適しており、したがって最も説明力となる:トップダウンとしての予測符号化と、補完的なボトムアップメカニズムとしての確率共鳴である。
さらに、現代人工知能と機械学習のアプローチは生物学的な妥当性をほとんど欠いているが、構築すべきモデルはこれらの分野の概念に基づくものでなければならない、と論じる。
それでも生物学的忠実性には対処する必要があるため、動物や患者の研究に応用する前に、シリコで治療戦略をテストすることができる。
この計算および経験的研究の反復は、機械学習と人間の脳の両方の「ブラックボックス」を開くのに役立つかもしれない。
関連論文リスト
- 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) - A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。
本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。
我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
論文 参考訳（メタデータ） (2024-02-16T18:05:09Z) - 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 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) - Computation with Sequences in a Model of the Brain [11.15191997898358]
神経活動から認知がどのように生じるかは神経科学の中心的な問題である。
本研究は, シナプス重量と可塑性により, 時刻を優先的に捉えることができることを示す。
我々は、任意の有限状態機械が、シーケンスの適切なパターンの提示を通して、同様の方法で学習可能であることを示す。
論文 参考訳（メタデータ） (2023-06-06T15:58:09Z) - Multimodal foundation models are better simulators of the human brain [65.10501322822881]
1500万の画像テキストペアを事前訓練した,新たに設計されたマルチモーダル基礎モデルを提案する。
視覚的エンコーダも言語的エンコーダもマルチモーダルで訓練され,脳に近いことが判明した。
論文 参考訳（メタデータ） (2022-08-17T12:36:26Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳（メタデータ） (2021-09-22T16:52:51Z) - Information theoretic analysis of computational models as a tool to
understand the neural basis of behaviors [0.0]
今世紀最大の研究課題の1つは、脳の身体環境システムにおける行動の神経基盤を理解することである。
計算モデルは、モデルシステムを研究することができる別のフレームワークを提供する。
本稿では,計算モデルの情報理論解析が強力な研究手法であることを示すための紹介,レビュー,議論を行う。
論文 参考訳（メタデータ） (2021-06-02T02:08:18Z) - Understanding Information Processing in Human Brain by Interpreting
Machine Learning Models [1.14219428942199]
この論文は、ニューラルネットワークの直感的な計算モデルを作成する上で、機械学習メソッドが果たす役割を探求している。
この視点は、コンピュータ神経科学に対する探索的およびデータ駆動のアプローチが果たす大きな役割を支持する。
論文 参考訳（メタデータ） (2020-10-17T04:37:26Z)
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。