論文の概要: Leveraging dendritic properties to advance machine learning and neuro-inspired computing

• arxiv url: http://arxiv.org/abs/2306.08007v1
• Date: Tue, 13 Jun 2023 09:07:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 23:31:13.091208
• Title: Leveraging dendritic properties to advance machine learning and neuro-inspired computing
• Title（参考訳）: デンドリティック特性を活用した機械学習とニューロインスパイアコンピューティング
• Authors: Michalis Pagkalos, Roman Makarov and Panayiota Poirazi
• Abstract要約: 脳は驚くほど有能で効率的なシステムです。 現在の人工知能システムは、生物エージェントにとって簡単なタスクで競争するのに苦労しながら、トレーニングのために膨大なリソースを必要としている。 脳にインスパイアされたエンジニアリングは、持続可能な次世代AIシステムを設計するための、有望な新しい道として登場した。
• 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 brain is a remarkably capable and efficient system. It can process and store huge amounts of noisy and unstructured information using minimal energy. In contrast, current artificial intelligence (AI) systems require vast resources for training while still struggling to compete in tasks that are trivial for biological agents. Thus, brain-inspired engineering has emerged as a promising new avenue for designing sustainable, next-generation AI systems. Here, we describe how dendritic mechanisms of biological neurons have inspired innovative solutions for significant AI problems, including credit assignment in multilayer networks, catastrophic forgetting, and high energy consumption. These findings provide exciting alternatives to existing architectures, showing how dendritic research can pave the way for building more powerful and energy-efficient artificial learning systems.
• Abstract（参考訳）: 脳は驚くほど有能で効率的なシステムです。 最小限のエネルギーで大量のノイズや非構造情報を処理・保存することができる。 対照的に、現在の人工知能(AI)システムでは、生物エージェントにとって簡単なタスクに苦戦しながら、トレーニングに膨大なリソースを必要としている。 このように、脳にインスパイアされたエンジニアリングは、持続可能な次世代AIシステムを設計するための、有望な新しい道として登場した。 ここでは, 生体ニューロンの樹状突起機構が, 多層ネットワークにおけるクレジット割り当て, 破滅的忘れ, 高エネルギー消費といった, 重要なAI問題に対する革新的な解決策にどのように影響したかを述べる。 これらの発見は、既存のアーキテクチャに対するエキサイティングな代替手段を提供し、より強力でエネルギー効率のよい人工知能システムを構築する方法を示す。

関連論文リスト

• 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)
• Towards Reverse-Engineering the Brain: Brain-Derived Neuromorphic Computing Approach with Photonic, Electronic, and Ionic Dynamicity in 3D integrated circuits [2.649646793770068]
  人間の脳は、極度のエネルギー効率とスケールで膨大な学習能力を持ち、人工システムは一致していない。 本稿では,脳由来ニューロモルフィックコンピューティングシステムのプロトタイプを設計することで,脳のリバースエンジニアリングの可能性について議論する。
  論文  参考訳（メタデータ） (2024-03-28T05:24:04Z)
• 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)
• 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)
• Neuronal Auditory Machine Intelligence (NEURO-AMI) In Perspective [0.0]
  ニューラル・オーディトリー・マシン・インテリジェンス(Neuro-AMI)と競合するバイオインスパイアされた連続学習型ニューラル・ニューラル・ニューラル・ニューラル・インテリジェンス(Neuro-AMI)の概要を述べる。 本稿では,ニューラル・オーディトリー・マシン・インテリジェンス(Neuro-AMI)と競合するバイオインスパイアされた連続学習型ニューラル・ラーニング・ツールについて概説する。
  論文  参考訳（メタデータ） (2023-10-14T13:17:58Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Brain-inspired learning in artificial neural networks: a review [5.064447369892274]
  人工ニューラルネットワークにおける脳にインスパイアされた学習表現について概説する。 これらのネットワークの能力を高めるために, シナプス可塑性などの生物学的に妥当な機構の統合について検討する。
  論文  参考訳（メタデータ） (2023-05-18T18:34:29Z)
• 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)
• A brain basis of dynamical intelligence for AI and computational neuroscience [0.0]
  より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。 本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
  論文  参考訳（メタデータ） (2021-05-15T19:49:32Z)

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。