論文の概要: An overview of open source Deep Learning-based libraries for Neuroscience

• arxiv url: http://arxiv.org/abs/2301.05057v1
• Date: Mon, 19 Dec 2022 09:09:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-15 23:17:12.648456
• Title: An overview of open source Deep Learning-based libraries for Neuroscience
• Title（参考訳）: オープンソースのDeep Learning-based Library for Neuroscienceの概要
• Authors: Louis Fabrice Tshimanga and Manfredo Atzori and Federico Del Pup and Maurizio Corbetta
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, deep learning revolutionized machine learning and its applications, producing results comparable to human experts in several domains, including neuroscience. Each year, hundreds of scientific publications present applications of deep neural networks for biomedical data analysis. Due to the fast growth of the domain, it could be a complicated and extremely time-consuming task for worldwide researchers to have a clear perspective of the most recent and advanced software libraries. This work contributes to clarify the current situation in the domain, outlining the most useful libraries that implement and facilitate deep learning application to neuroscience, allowing scientists to identify the most suitable options for their research or clinical projects. This paper summarizes the main developments in Deep Learning and their relevance to Neuroscience; it then reviews neuroinformatic toolboxes and libraries, collected from the literature and from specific hubs of software projects oriented to neuroscience research. The selected tools are presented in tables detailing key features grouped by domain of application (e.g. data type, neuroscience area, task), model engineering (e.g. programming language, model customization) and technological aspect (e.g. interface, code source). The results show that, among a high number of available software tools, several libraries are standing out in terms of functionalities for neuroscience applications. The aggregation and discussion of this information can help the neuroscience community to devolop their research projects more efficiently and quickly, both by means of readily available tools, and by knowing which modules may be improved, connected or added.
• Abstract（参考訳）: 近年、ディープラーニングは機械学習とその応用に革命をもたらし、神経科学を含むいくつかの分野の人間に匹敵する結果を生み出した。 毎年、何百もの科学論文が深層ニューラルネットワークの生物医学データ解析への応用を行っている。 ドメインの急速な成長により、世界中の研究者が最新の先進的なソフトウェアライブラリを明確に見るためには、複雑で非常に時間がかかります。 この研究は、神経科学への深層学習応用を実践し促進する最も有用なライブラリを概説し、研究者が研究や臨床プロジェクトに最も適した選択肢を特定できるように、ドメインの現在の状況を明らかにするのに寄与する。 本稿では,Deep Learningの主な発展と神経科学との関係を要約し,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やライブラリを概観する。 選択されたツールは、アプリケーションドメイン(例えば、データタイプ、神経科学領域、タスク)、モデルエンジニアリング(例えば、プログラミング言語、モデルカスタマイズ)、および技術的な側面(例えば、インターフェイス、コードソース)によってグループ化された重要な機能を詳述した表に示される。 結果は、多くの利用可能なソフトウェアツールの中で、神経科学アプリケーションの機能という点でいくつかのライブラリが際立っていることを示している。 この情報の集約と議論により、神経科学のコミュニティは、手軽に利用可能なツールと、どのモジュールを改善、接続、追加できるかを知ることによって、研究プロジェクトをより効率的に、迅速にデボロップすることができる。

関連論文リスト

• 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)
• 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)
• Unveiling the frontiers of deep learning: innovations shaping diverse domains [6.951472438774211]
  ディープラーニング(DL)は、学習、視覚化、最適化、精錬、予測が可能なコンピュータモデルの開発を可能にする。 DLは、オーディオ視覚データ処理、農業、交通予測、自然言語、バイオメディシン、災害管理、バイオインフォマティクス、薬物設計、ゲノム学、顔認識、生態学など、様々な分野に適用されている。 本稿では,すべての研究分野におけるディープラーニングの適用可能性と,関連するメリットと課題について検討する。
  論文  参考訳（メタデータ） (2023-09-06T04:50:39Z)
• Frameworks for SNNs: a Review of Data Science-oriented Software and an Expansion of SpykeTorch [0.3425341633647624]
  Spiking Neural Networks(SNN)は、特にデータサイエンスアプリケーションに向いている。 この研究は、データサイエンスアプリケーションに特化したスパイキングニューラルネットワーク(SNN)の開発のための9つのフレームワークをレビューする。
  論文  参考訳（メタデータ） (2023-02-15T12:35:53Z)
• Neural Architecture Search: Insights from 1000 Papers [50.27255667347091]
  ニューラルアーキテクチャサーチの組織的で包括的なガイドを提供する。 検索空間、アルゴリズム、スピードアップのテクニックを分類する。 ベンチマークやベストプラクティス,その他の調査,オープンソースライブラリなどのリソースについて論じる。
  論文  参考訳（メタデータ） (2023-01-20T18:47:24Z)
• Neuro-Nav: A Library for Neurally-Plausible Reinforcement Learning [2.060642030400714]
  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。
  論文  参考訳（メタデータ） (2022-06-06T16:33:36Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Semantic and Relational Spaces in Science of Science: Deep Learning Models for Article Vectorisation [4.178929174617172]
  我々は、自然言語処理(NLP)とグラフニューラルネットワーク(GNN)を用いて、記事の意味的・関係的な側面に基づく文書レベルの埋め込みに焦点を当てる。 論文のセマンティックな空間をNLPでエンコードできるのに対し、GNNでは研究コミュニティの社会的実践をエンコードするリレーショナルな空間を構築することができる。
  論文  参考訳（メタデータ） (2020-11-05T14:57:41Z)
• Neurocoder: Learning General-Purpose Computation Using Stored Neural Programs [64.56890245622822]
  ニューロコーダ(Neurocoder)は、汎用計算機の全く新しいクラスである。 共有可能なモジュール型プログラムのセットから関連するプログラムを構成することで、データ応答性のある方法で“コード”を行う。 モジュールプログラムを学習し、パターンシフトを厳しく処理し、新しいプログラムが学習されると、古いプログラムを記憶する新しい能力を示す。
  論文  参考訳（メタデータ） (2020-09-24T01:39:16Z)
• Artificial neural networks for neuroscientists: A primer [4.771833920251869]
  ニューラルネットワーク(ANN)は、神経科学に注目が集まる機械学習において必須のツールである。 この教養的なプライマーでは、ANNを導入し、神経科学的な問題を研究するためにどのように成果を上げてきたかを実証する。 この数学的枠組みを神経生物学に近づけることに焦点をあてて、ANNの分析、構造、学習のカスタマイズ方法について詳述する。
  論文  参考訳（メタデータ） (2020-06-01T15:08:42Z)

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。