論文の概要: The Algonauts Project 2023 Challenge: How the Human Brain Makes Sense of
Natural Scenes
- arxiv url: http://arxiv.org/abs/2301.03198v1
- Date: Mon, 9 Jan 2023 08:27:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 18:14:02.265223
- Title: The Algonauts Project 2023 Challenge: How the Human Brain Makes Sense of
Natural Scenes
- Title（参考訳）: the algonauts project 2023 challenge: 人間の脳が自然の場面をどのように理解するか
- Authors: A.T. Gifford, B. Lahner, S. Saba-Sadiya, M.G. Vilas, A. Lascelles, A.
Oliva, K. Kay, G. Roig, R.M. Cichy
- Abstract要約: 2023年のAlgonauts Project Challenge: How the Human Brain Makes Sense of Natural Scenesを紹介する。
このインストールは、視覚脳の計算モデルを構築するために、人工知能と生物学的知能の分野が一緒になるよう促す。
課題はすべてオープンで、各提出後に自動的に更新される公開リーダボードを通じて、結果を直接的に比較し、透過的にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The sciences of biological and artificial intelligence are ever more
intertwined. Neural computational principles inspire new intelligent machines,
which are in turn used to advance theoretical understanding of the brain. To
promote further exchange of ideas and collaboration between biological and
artificial intelligence researchers, we introduce the 2023 installment of the
Algonauts Project challenge: How the Human Brain Makes Sense of Natural Scenes
(http://algonauts.csail.mit.edu). This installment prompts the fields of
artificial and biological intelligence to come together towards building
computational models of the visual brain using the largest and richest dataset
of fMRI responses to visual scenes, the Natural Scenes Dataset (NSD). NSD
provides high-quality fMRI responses to ~73,000 different naturalistic colored
scenes, making it the ideal candidate for data-driven model building approaches
promoted by the 2023 challenge. The challenge is open to all and makes results
directly comparable and transparent through a public leaderboard automatically
updated after each submission, thus allowing for rapid model development. We
believe that the 2023 installment will spark symbiotic collaborations between
biological and artificial intelligence scientists, leading to a deeper
understanding of the brain through cutting-edge computational models and to
novel ways of engineering artificial intelligent agents through inductive
biases from biological systems.
- Abstract（参考訳）: 生物学と人工知能の科学はいっそう絡み合っている。
ニューラルコンピューティングの原理は、脳の理論的理解を進めるために使われる新しいインテリジェントマシンを刺激する。
生物と人工知能の研究者間のさらなるアイデアの交換とコラボレーションを促進するために、我々は2023年のalgonauts project challenge: how the human brain makes sense of natural scene (http://algonauts.csail.mit.edu)の設置を紹介する。
このインストールは、視覚シーンに対するfMRI応答の最大かつ最もリッチなデータセットであるNatural Scenes Dataset(NSD)を使用して、視覚脳の計算モデルを構築するために、人工知能と生物学的インテリジェンス分野の協力を促す。
nsdは73,000の異なる自然色シーンに対して高品質なfmri応答を提供し、2023年のチャレンジで推進されたデータ駆動モデル構築アプローチの理想的な候補となっている。
課題はすべてオープンであり、公開リーダボードを通じて結果を直接比較し、透過的に各提出後に自動的に更新することで、迅速なモデル開発が可能になる。
2023年の設置は、生物と人工知能の科学者の間で共生的なコラボレーションを引き起こし、最先端の計算モデルを通じて脳をより深く理解し、生物学的システムからの帰納的バイアスを通じて人工知能エージェントをエンジニアリングする新しい方法につながると信じている。
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) - Orangutan: A Multiscale Brain Emulation-Based Artificial Intelligence Framework for Dynamic Environments [2.8137865669570297]
本稿では,脳に触発された新しいAIフレームワーク,Orangutanを紹介する。
複数のスケールで生体脳の構造と計算機構をシミュレートする。
物体観察時の人眼球運動をシミュレートする感覚運動モデルを開発した。
論文 参考訳（メタデータ） (2024-06-18T01:41:57Z) - 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) - AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
数学は人間によって開発された最も強力な概念体系の1つである。
AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
論文 参考訳（メタデータ） (2023-10-19T02:00:31Z) - 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) - Digital twin brain: a bridge between biological intelligence and
artificial intelligence [12.55159053727258]
本稿では,生物と人工知能のギャップを埋めるトランスフォーメーションプラットフォームとして,Digital Twin Brain(DTB)を提案する。
DTBは、ツインニング過程の基本となる脳構造、脳機能を生成する底層モデル、幅広い応用の3つの中核要素から構成される。
論文 参考訳（メタデータ） (2023-08-03T03:36:22Z) - A Neurodiversity-Inspired Solver for the Abstraction \& Reasoning Corpus
(ARC) Using Visual Imagery and Program Synthesis [6.593059418464748]
我々は,人間の心的イメージ能力に触発されたコア知識の視覚的表現を組み合わせた,コア知識に対する新たなAIアプローチを提案する。
我々は,ARC(Abstraction & Reasoning)の課題に対して,システムの性能を実証する。
2022年のグローバルARCathonチャレンジでプライベートテストセットを4位で終えたのと同様に、公開可能なARCアイテムからの実験結果を共有します。
論文 参考訳（メタデータ） (2023-02-18T21:30:44Z) - Neurocompositional computing: From the Central Paradox of Cognition to a
new generation of AI systems [120.297940190903]
AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。
ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
論文 参考訳（メタデータ） (2022-05-02T18:00:10Z) - The Algonauts Project 2021 Challenge: How the Human Brain Makes Sense of
a World in Motion [0.0]
私たちは2021年のAlgonauts Project Challenge: How the Human Brain Makes Sense of a World in Motionをリリースしました。
10人の参加者が日常の出来事を描いた1,000以上の短いビデオクリップの豊富なセットを見たときに記録された全脳fMRI応答を提供します。
このチャレンジの目的は、ビデオクリップに対する脳の反応を正確に予測することだ。
論文 参考訳（メタデータ） (2021-04-28T11:38:31Z) - To Root Artificial Intelligence Deeply in Basic Science for a New
Generation of AI [1.0152838128195467]
人工知能の野望の1つは、人工知能を基礎科学に深く根ざすことである。
本稿では,今後20年間の人工知能研究の課題について述べる。
論文 参考訳（メタデータ） (2020-09-11T22:38:38Z)
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。