Fugu-MT 論文翻訳(概要): HyperNCA: Growing Developmental Networks with Neural Cellular Automata

論文の概要: HyperNCA: Growing Developmental Networks with Neural Cellular Automata

arxiv url: http://arxiv.org/abs/2204.11674v1
Date: Mon, 25 Apr 2022 14:08:50 GMT
ステータス: 処理完了
システム内更新日: 2022-04-26 13:49:24.050086
Title: HyperNCA: Growing Developmental Networks with Neural Cellular Automata
Title（参考訳）: hypernca:神経細胞オートマトンによる成長期ネットワーク
Authors: Elias Najarro, Shyam Sudhakaran, Claire Glanois, Sebastian Risi
Abstract要約: 我々は,ニューラルセルオートマトンに基づく人工ニューラルネットワークを成長させるための新しいハイパーネットワークアプローチを提案する。自己組織システムと情報理論による発達生物学のアプローチに触発されて,我々のHyperNCA法は,一般的な強化学習タスクを解くことができるニューラルネットワークを成長させることができることを示す。
参考スコア（独自算出の注目度）: 10.798252487541694
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In contrast to deep reinforcement learning agents, biological neural networks are grown through a self-organized developmental process. Here we propose a new hypernetwork approach to grow artificial neural networks based on neural cellular automata (NCA). Inspired by self-organising systems and information-theoretic approaches to developmental biology, we show that our HyperNCA method can grow neural networks capable of solving common reinforcement learning tasks. Finally, we explore how the same approach can be used to build developmental metamorphosis networks capable of transforming their weights to solve variations of the initial RL task.
Abstract（参考訳）: 深層強化学習剤とは対照的に、生物学的ニューラルネットワークは自己組織化された発達過程を通じて成長する。本稿では,ニューラルセルオートマトン(NCA)に基づく,ニューラルネットワークを成長させるための新しいハイパーネットワーク手法を提案する。自己組織システムと発達生物学への情報理論的アプローチに着想を得て,我々のhypernca法は共通の強化学習課題を解決できるニューラルネットワークを育成できることを示した。最後に、同じアプローチが、その重みを変換して初期rlタスクのバリエーションを解決できる発達的変形ネットワークの構築にどのように役立つかを検討する。

関連論文リスト

Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
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)
Towards Self-Assembling Artificial Neural Networks through Neural Developmental Programs [10.524752369156339]
生物学的神経系は、現在の人工ニューラルネットワークと根本的に異なる方法で生成される。対照的に、生物学的神経系は動的自己組織化過程を通じて成長する。
論文参考訳（メタデータ） (2023-07-17T01:58:52Z)
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)
Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-06T13:04:45Z)
A multi-agent model for growing spiking neural networks [0.0]
このプロジェクトでは、学習メカニズムとして、スパイキングニューラルネットワークのニューロン間の接続を拡大するためのルールについて検討している。シミュレーション環境での結果は、与えられたパラメータセットに対して、テストされた関数を再現するトポロジに到達可能であることを示した。このプロジェクトはまた、モデルパラメーターに最適な値を得るために、遺伝的アルゴリズムのようなテクニックを使用するための扉を開く。
論文参考訳（メタデータ） (2020-09-21T15:11:29Z)
Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文参考訳（メタデータ） (2020-06-22T11:41:57Z)
Equilibrium Propagation for Complete Directed Neural Networks [0.0]
最も成功したニューラルネットワークの学習アルゴリズム、バックプロパゲーションは生物学的に不可能であると考えられている。我々は,平衡伝播学習の枠組みを構築し拡張することによって,生物学的に妥当な神経学習の話題に貢献する。
論文参考訳（メタデータ） (2020-06-15T22:12:30Z)
Training spiking neural networks using reinforcement learning [0.0]
本稿では,スパイクニューラルネットワークのトレーニングを容易にするために,生物学的に有望なバックプロパゲーション代替法を提案する。本研究では,空間的・時間的信用割当問題の解決における強化学習規則の適用可能性を検討することに注力する。我々は、グリッドワールド、カートポール、マウンテンカーといった従来のRLドメインに適用することで、2つのアプローチを比較し、対比する。
論文参考訳（メタデータ） (2020-05-12T17:40:36Z)

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。