論文の概要: Hippocampus-Inspired Cognitive Architecture (HICA) for Operant Conditioning

• arxiv url: http://arxiv.org/abs/2212.08626v1
• Date: Fri, 16 Dec 2022 18:00:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 15:32:26.146828
• Title: Hippocampus-Inspired Cognitive Architecture (HICA) for Operant Conditioning
• Title（参考訳）: Hippocampus-Inspireed Cognitive Architecture (HICA) for Operant Conditioning
• Authors: Deokgun Park, Md Ashaduzzaman Rubel Mondol, SM Mazharul Islam, Aishwarya Pothula
• Abstract要約: 本稿では,Hippocampus-Inspired Cognitive Architecture (HICA) を動作条件付けのための神経機構として提案する。 HICAは2種類のモジュールから構成される。
• 参考スコア（独自算出の注目度）: 1.2955718209635252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The neural implementation of operant conditioning with few trials is unclear. We propose a Hippocampus-Inspired Cognitive Architecture (HICA) as a neural mechanism for operant conditioning. HICA explains a learning mechanism in which agents can learn a new behavior policy in a few trials, as mammals do in operant conditioning experiments. HICA is composed of two different types of modules. One is a universal learning module type that represents a cortical column in the neocortex gray matter. The working principle is modeled as Modulated Heterarchical Prediction Memory (mHPM). In mHPM, each module learns to predict a succeeding input vector given the sequence of the input vectors from lower layers and the context vectors from higher layers. The prediction is fed into the lower layers as a context signal (top-down feedback signaling), and into the higher layers as an input signal (bottom-up feedforward signaling). Rewards modulate the learning rate in those modules to memorize meaningful sequences effectively. In mHPM, each module updates in a local and distributed way compared to conventional end-to-end learning with backpropagation of the single objective loss. This local structure enables the heterarchical network of modules. The second type is an innate, special-purpose module representing various organs of the brain's subcortical system. Modules modeling organs such as the amygdala, hippocampus, and reward center are pre-programmed to enable instinctive behaviors. The hippocampus plays the role of the simulator. It is an autoregressive prediction model of the top-most level signal with a loop structure of memory, while cortical columns are lower layers that provide detailed information to the simulation. The simulation becomes the basis for learning with few trials and the deliberate planning required for operant conditioning.
• Abstract（参考訳）: 少数の試行錯誤によるオペラント・コンディショニングの神経的実装は明らかでない。 本稿では,Hippocampus-Inspired Cognitive Architecture (HICA) を動作条件付けのための神経機構として提案する。 HICAは、哺乳類がオペラント条件付け実験で行うように、エージェントがいくつかの試験で新しい行動ポリシーを学ぶことができる学習メカニズムを説明する。 HICAは2種類のモジュールから構成される。 ひとつは、新皮質灰白質の皮質列を表す普遍的な学習モジュールタイプである。 動作原理はModulated Heterarchical Prediction Memory (mHPM)としてモデル化される。 mHPMでは、各モジュールは、下位層からの入力ベクトルのシーケンスと上位層からのコンテキストベクトルが与えられた後続の入力ベクトルを予測することを学習する。 予測は、コンテキスト信号(トップダウンフィードバック信号)として下位層に、入力信号(ボトムアップフィードフォワード信号)として上位層に供給される。 リワードはこれらのモジュールの学習率を変調し、意味のあるシーケンスを効果的に記憶する。 mHPMでは、各モジュールは、単一目的損失のバックプロパゲーションを伴う従来のエンドツーエンド学習と比較して、局所的および分散的に更新される。 この局所構造はモジュールの階層的ネットワークを可能にする。 第2のタイプは、脳皮質下系の様々な器官を表現する、自然の特別な目的のモジュールである。 扁桃体、海馬、報酬センターなどの臓器をモデル化するモジュールは、本能的な行動を可能にするために事前にプログラムされている。 海馬はシミュレータの役割を担います。 これはメモリのループ構造を持つ最上層レベルの信号の自己回帰予測モデルであり、皮質列はシミュレーションに詳細な情報を提供する低層である。 シミュレーションは、少数の試行錯誤と、オペラントコンディショニングに必要な計画を立てる上での基礎となる。

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)
• A Global Data-Driven Model for The Hippocampus and Nucleus Accumbens of Rat From The Local Field Potential Recordings (LFP) [0.19999259391104385]
  ローカルフィールド電位(LFP)信号は、脳神経回路内の情報の動的流れを表す。 本稿では、異なる状況下で脳信号を予測するグローバルなデータ駆動モデルを特定する。 モルヒネと自然報酬はこれらの領域のニューロンの動的特徴を変化させない。
  論文  参考訳（メタデータ） (2024-05-10T15:58:39Z)
• Dynamic Inference with Neural Interpreters [72.90231306252007]
  本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。 モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。 ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-12T23:22:45Z)
• Neural Function Modules with Sparse Arguments: A Dynamic Approach to Integrating Information across Layers [84.57980167400513]
  Neural Function Modules (NFM)は、ディープラーニングに同じ構造機能を導入することを目的としている。 トップダウンとボトムアップのフィードバックを組み合わせたフィードフォワードネットワークのコンテキストにおける作業のほとんどは、分類の問題に限られている。 私たちの仕事の重要な貢献は、フレキシブルなアルゴリズムで注意、疎結合、トップダウン、ボトムアップのフィードバックを組み合わせることです。
  論文  参考訳（メタデータ） (2020-10-15T20:43:17Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• RE-MIMO: Recurrent and Permutation Equivariant Neural MIMO Detection [85.44877328116881]
  無線通信システムにおけるシンボル検出のための新しいニューラルネットワークを提案する。 無線通信システムにおけるいくつかの重要な考察に動機付けられている。 その性能を既存手法と比較し,ネットワークが可変数の送信機を効率的に処理できることを示す。
  論文  参考訳（メタデータ） (2020-06-30T22:43:01Z)
• Incremental Training of a Recurrent Neural Network Exploiting a Multi-Scale Dynamic Memory [79.42778415729475]
  本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。 隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。 新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
  論文  参考訳（メタデータ） (2020-06-29T08:35:49Z)
• Hierarchical Predictive Coding Models in a Deep-Learning Framework [1.370633147306388]
  予測符号化の最もよく知られたモデルをいくつかレビューする。 また、これらのモデルをディープラーニングフレームワークに組み込もうとする最近の試みについても調査する。
  論文  参考訳（メタデータ） (2020-05-07T03:39:57Z)
• A Neuromorphic Paradigm for Online Unsupervised Clustering [0.6091702876917281]
  神経科学の概念に基づく計算パラダイムが提案され、オンラインの教師なしクラスタリングが可能であることが示されている。 すべての操作は、トレーニングと推論の両方で、ローカライズされ、効率的です。 プロトタイプカラムは半合成ベンチマークでシミュレートされ、古典的なk平均と同等のパフォーマンス特性を示す。
  論文  参考訳（メタデータ） (2020-04-25T14:02:34Z)

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。