論文の概要: Toward NeuroDM: Where Computational Neuroscience Meets Data Mining
- arxiv url: http://arxiv.org/abs/2303.06047v1
- Date: Tue, 7 Mar 2023 19:48:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-19 11:56:16.234976
- Title: Toward NeuroDM: Where Computational Neuroscience Meets Data Mining
- Title(参考訳): neurodmに向けて: 計算神経科学がデータマイニングと合致する場所
- Authors: Xin Li, Bin Liu, and Shuo Wang
- Abstract要約: 我々は、計算神経科学とデータマイニングのリッチな関係に対する全体論的な見解を提唱する。
感覚、記憶、感情といった神経科学の概念は、データマイニングに新しい応用を見出すことができる。
マルチモーダルイメージングは 重要な認知情報と行動情報の抽出を容易にするために データマイニングの扉を開いた
- 参考スコア(独自算出の注目度): 13.056471406191521
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: At the intersection of computational neuroscience (CN) and data mining (DM),
we advocate a holistic view toward their rich connections. On the one hand,
fundamental concepts in neuroscience such as saliency, memory, and emotion can
find novel applications in data mining. On the other hand, multimodal imaging
has opened the door for data mining to facilitate the extraction of important
cognitive and behavioral information from multimodal neural data. By NeuroDM,
we advocate for more collaboration between CN and DM to expedite the advances
in two well-established fields. The analogy between the over-parameterization
of biological and artificial neural networks might suggest a unifying
perspective of advancing both fields.
- Abstract(参考訳): 計算神経科学 (CN) とデータマイニング (DM) の交わりで、我々はそれらのリッチなつながりに対する全体論的な見解を提唱する。
一方、正当性、記憶、感情といった神経科学の基本概念は、データマイニングに新しい応用を見出すことができる。
一方で、マルチモーダルイメージングは、マルチモーダルニューラルデータから重要な認知的・行動的情報を抽出するためのデータマイニングの扉を開いた。
NeuroDM では,CN と DM の連携が促進され,二つの分野の進歩が促進される。
生物学的ニューラルネットワークと人工ニューラルネットワークの過度パラメータ化の類似は、両方の分野を前進させる統一的な視点を示唆するかもしれない。
関連論文リスト
- Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Learning to Act through Evolution of Neural Diversity in Random Neural
Networks [9.387749254963595]
ほとんどの人工ニューラルネットワーク(ANN)では、神経計算は通常すべてのニューロン間で共有される活性化関数に抽象化される。
本稿では,複雑な計算を行うことができる多様なニューロンの集合を実現するために,神経中心パラメータの最適化を提案する。
論文 参考訳(メタデータ) (2023-05-25T11:33:04Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳(メタデータ) (2023-05-02T22:15:54Z) - Towards NeuroAI: Introducing Neuronal Diversity into Artificial Neural
Networks [20.99799416963467]
ヒトの脳では、神経の多様性はあらゆる生物学的知的行動に有効である。
本稿では,まず,生物ニューロンの多様性と情報伝達・処理の特徴について論じる。
論文 参考訳(メタデータ) (2023-01-23T02:23:45Z) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳(メタデータ) (2022-12-08T15:16:04Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳(メタデータ) (2022-01-19T09:26:34Z) - Modeling Spatio-Temporal Dynamics in Brain Networks: A Comparison of
Graph Neural Network Architectures [0.5033155053523041]
グラフニューラルネットワーク(GNN)は、新しい構造化グラフ信号の解釈を可能にする。
基板上の局所的な機能的相互作用を学習することにより、GNNベースのアプローチが大規模ネットワーク研究に堅牢に拡張可能であることを示す。
論文 参考訳(メタデータ) (2021-12-08T12:57:13Z) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳(メタデータ) (2021-12-02T12:45:46Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - A Graph Neural Network Framework for Causal Inference in Brain Networks [0.3392372796177108]
神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。
構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
論文 参考訳(メタデータ) (2020-10-14T15:01:21Z)
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。