論文の概要: Neuro-Nav: A Library for Neurally-Plausible Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2206.03312v1
• Date: Mon, 6 Jun 2022 16:33:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 14:30:51.113980
• Title: Neuro-Nav: A Library for Neurally-Plausible Reinforcement Learning
• Title（参考訳）: neuro-nav : 神経可視性強化学習のためのライブラリ
• Authors: Arthur Juliani, Samuel Barnett, Brandon Davis, Margaret Sereno, Ida Momennejad
• Abstract要約: 神経可塑性強化学習のためのオープンソースライブラリNeuro-Navを提案する。 Neuro-Navは、標準環境とRLアルゴリズムのセットを提供する。 このツールキットは認知科学とRL文学の両方にわたる多くの研究から、関連する知見を再現することを示した。
• 参考スコア（独自算出の注目度）: 2.060642030400714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we propose Neuro-Nav, an open-source library for neurally plausible reinforcement learning (RL). RL is among the most common modeling frameworks for studying decision making, learning, and navigation in biological organisms. In utilizing RL, cognitive scientists often handcraft environments and agents to meet the needs of their particular studies. On the other hand, artificial intelligence researchers often struggle to find benchmarks for neurally and biologically plausible representation and behavior (e.g., in decision making or navigation). In order to streamline this process across both fields with transparency and reproducibility, Neuro-Nav offers a set of standardized environments and RL algorithms drawn from canonical behavioral and neural studies in rodents and humans. We demonstrate that the toolkit replicates relevant findings from a number of studies across both cognitive science and RL literatures. We furthermore describe ways in which the library can be extended with novel algorithms (including deep RL) and environments to address future research needs of the field.
• Abstract（参考訳）: 本研究では,ニューラルネットワークを用いた強化学習のためのオープンソースライブラリNeuro-Navを提案する。 RLは、生物の意思決定、学習、ナビゲーションを研究するための最も一般的なモデリングフレームワークの一つである。 rlを利用することで、認知科学者は特定の研究のニーズを満たすために手作りの環境やエージェントをしばしば利用する。 一方、人工知能研究者は神経的かつ生物学的に妥当な表現と行動(例えば意思決定やナビゲーション)のベンチマークを見つけるのに苦労することが多い。 透明性と再現性を両分野にまたがってこのプロセスを合理化するために、neuro-navは動物と人間の標準的な行動と神経研究から得られた標準化された環境とrlアルゴリズムを提供する。 このツールキットは認知科学とrlの文献をまたがる多くの研究から得られた関連する知見を再現している。 さらに,新たなアルゴリズム(深層RLを含む)と環境を用いてライブラリを拡張し,今後の研究ニーズに対処する方法についても述べる。

関連論文リスト

• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• 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)
• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• 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 Spiking Binary Neuron -- Detector of Causal Links [0.0]
  因果関係認識は、学習行動、行動計画、外界ダイナミクスの推論を目的としたニューラルネットワークの基本的な操作である。 本研究は、単純なスパイク二元性ニューロンを用いた因果関係認識を実現するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-15T15:34:17Z)
• Neurosymbolic Reinforcement Learning and Planning: A Survey [0.0]
  本研究の目的は、文献調査を行うことで、ニューロシンボリックRLの出現する分野に貢献することである。 本評価は神経シンボルRLを構成する3つの成分であるニューロ,シンボリック,およびRLに焦点を当てる。
  論文  参考訳（メタデータ） (2023-09-02T23:41:35Z)
• 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)
• 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)
• An overview of open source Deep Learning-based libraries for Neuroscience [0.0]
  本稿では,ディープラーニングの発達と神経科学との関係について概説する。 その後、文献および神経科学研究を指向したソフトウェアプロジェクトの特定のハブから収集された、神経情報学のツールボックスとライブラリをレビューする。
  論文  参考訳（メタデータ） (2022-12-19T09:09:40Z)
• 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)
• Deep Reinforcement Learning and its Neuroscientific Implications [19.478332877763417]
  強力な人工知能の出現は、神経科学の新しい研究方向を定義している。 深層強化学習(Deep RL)は、学習、表現、意思決定の間の相互作用を研究するための枠組みを提供する。 Deep RLは、新しい研究ツールセットと、幅広い新しい仮説を提供する。
  論文  参考訳（メタデータ） (2020-07-07T19:27:54Z)

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。