論文の概要: Human-in-the-Loop Optimization for Deep Stimulus Encoding in Visual
Prostheses
- arxiv url: http://arxiv.org/abs/2306.13104v2
- Date: Fri, 27 Oct 2023 22:56:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 21:16:17.303610
- Title: Human-in-the-Loop Optimization for Deep Stimulus Encoding in Visual
Prostheses
- Title（参考訳）: 視覚補綴における深部刺激エンコーディングのためのHuman-in-the-Loop最適化
- Authors: Jacob Granley, Tristan Fauvel, Matthew Chalk, Michael Beyeler
- Abstract要約: 神経補綴は、失われた感覚機能を回復し、人間の能力を増強する可能性を示しているが、現在の装置が生み出す感覚は、しばしば不自然または歪んでいるように見える。
この2つの基本的制約を克服する,斬新で現実的なアプローチを提案する。
提案手法は、パーソナライズされた刺激エンコーダを迅速に学習し、回復した視覚の質を劇的に改善し、患者からのフィードバックに頑健であることを示す。
- 参考スコア（独自算出の注目度）: 2.7309692684728617
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neuroprostheses show potential in restoring lost sensory function and
enhancing human capabilities, but the sensations produced by current devices
often seem unnatural or distorted. Exact placement of implants and differences
in individual perception lead to significant variations in stimulus response,
making personalized stimulus optimization a key challenge. Bayesian
optimization could be used to optimize patient-specific stimulation parameters
with limited noisy observations, but is not feasible for high-dimensional
stimuli. Alternatively, deep learning models can optimize stimulus encoding
strategies, but typically assume perfect knowledge of patient-specific
variations. Here we propose a novel, practically feasible approach that
overcomes both of these fundamental limitations. First, a deep encoder network
is trained to produce optimal stimuli for any individual patient by inverting a
forward model mapping electrical stimuli to visual percepts. Second, a
preferential Bayesian optimization strategy utilizes this encoder to optimize
patient-specific parameters for a new patient, using a minimal number of
pairwise comparisons between candidate stimuli. We demonstrate the viability of
this approach on a novel, state-of-the-art visual prosthesis model. We show
that our approach quickly learns a personalized stimulus encoder, leads to
dramatic improvements in the quality of restored vision, and is robust to noisy
patient feedback and misspecifications in the underlying forward model.
Overall, our results suggest that combining the strengths of deep learning and
Bayesian optimization could significantly improve the perceptual experience of
patients fitted with visual prostheses and may prove a viable solution for a
range of neuroprosthetic technologies.
- Abstract（参考訳）: 神経補綴は、失われた感覚機能を回復し、人間の能力を増強する可能性を示しているが、現在の装置が生み出す感覚は、しばしば不自然または歪んでいるように見える。
インプラントの正確な配置と個々の知覚の違いは、刺激応答の著しい変化をもたらし、パーソナライズされた刺激最適化が重要な課題となる。
ベイズ最適化は患者固有の刺激パラメータの最適化に使用することができるが、高次元刺激には適用できない。
あるいは、ディープラーニングモデルは刺激のエンコーディング戦略を最適化できるが、通常は患者固有のバリエーションの完全な知識を想定する。
本稿では,これら2つの基本的制約を克服する,現実的に実現可能な新しいアプローチを提案する。
まず、深層エンコーダネットワークをトレーニングし、視覚知覚に電気刺激をマッピングするフォワードモデルを反転させることにより、各患者に最適な刺激を与える。
第2に、優先ベイズ最適化戦略は、このエンコーダを利用して、候補刺激間の最小対比較を用いて、新しい患者に対して患者固有のパラメータを最適化する。
本稿では,新しい視覚補綴モデルを用いて,本手法の有効性を実証する。
提案手法は、パーソナライズされた刺激エンコーダを迅速に学習し、回復した視覚の質を劇的に改善し、基礎となる前方モデルにおける患者からのフィードバックや誤特定に頑健であることを示す。
以上の結果から, 深層学習とベイズ最適化の強みを組み合わせることで, 視覚補綴を装着した患者の知覚経験を大幅に改善できる可能性が示唆された。
関連論文リスト
- Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - Deep Kernel and Image Quality Estimators for Optimizing Robotic
Ultrasound Controller using Bayesian Optimization [2.0971479389679337]
自律型ロボット超音波(Autonomous Robotic Ultrasound, A-RUS)は、ソノグラフィーの作業量を削減するための手作業の代替手段である。
A-RUSの鍵となる課題は、異なる患者にまたがる関心領域の超音波画像品質を最適化することである。
これは解剖学、誤差源の認識、正確なプローブの位置、向き、圧力の知識を必要とする。
論文 参考訳（メタデータ） (2023-10-11T11:20:35Z) - Adapting Brain-Like Neural Networks for Modeling Cortical Visual
Prostheses [68.96380145211093]
皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。
現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。
我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
論文 参考訳（メタデータ） (2022-09-27T17:33:19Z) - A Hybrid Neural Autoencoder for Sensory Neuroprostheses and Its
Applications in Bionic Vision [0.0]
感覚神経補綴は、失われた感覚機能を回復したり、人間の能力を増強するための有望な技術として登場しつつある。
本稿では、ディープニューラルネットワークエンコーダが、基礎となる生物学的システムを近似した、既知の固定されたフォワードモデルを逆転するように、いかに訓練されているかを示す。
概念実証として,視覚神経補綴症例に対するハイブリッド神経オートエンコーダ(HNA)の有効性を実証した。
論文 参考訳（メタデータ） (2022-05-26T20:52:00Z) - Position-wise optimizer: A nature-inspired optimization algorithm [0.0]
生物の神経可塑性を模倣する、自然に着想を得た新しい最適化アルゴリズムが導入された。
モデルは3つのデータセットでテストされ、結果は勾配降下最適化と比較される。
論文 参考訳（メタデータ） (2022-04-11T15:30:52Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z) - No Parameters Left Behind: Sensitivity Guided Adaptive Learning Rate for
Training Large Transformer Models [132.90062129639705]
本稿では,全てのパラメータを十分に訓練するための新しいトレーニング戦略を提案する。
感度の低いパラメータは冗長であり、学習率を高めて適合性を改善する。
対照的に、高い感度を持つパラメータを十分に訓練し、学習率を下げて正規化することで、さらなる過度なオーバーフィッティングを防止する。
論文 参考訳（メタデータ） (2022-02-06T00:22:28Z) - Factorized Neural Processes for Neural Processes: $K$-Shot Prediction of
Neural Responses [9.792408261365043]
我々は,小さな刺激応答対からニューロンのチューニング関数を推定するファクトリズ・ニューラル・プロセスを開発した。
本稿では,ニューラルプロセスからの予測および再構成された受容場が,試行数の増加とともに真理に近づいたことをシミュレートした応答を示す。
この新しいディープラーニングシステム識別フレームワークは、ニューラルネットワークモデリングを神経科学実験にリアルタイムに組み込むのに役立つと信じている。
論文 参考訳（メタデータ） (2020-10-22T15:43:59Z) - Bayesian optimization for automatic design of face stimuli [2.572404739180802]
本稿では,GANとベイズ最適化を組み合わせた新しいフレームワークを提案する。
形式的には、我々はベイズ最適化を用いて、最先端のGANモデルの潜在空間を効率的に探索し、新しい顔を自動的に生成することを目的としている。
このアルゴリズムは,顔の異なるセマンティック・トランスフォーメーションにまたがる応答をマッピングしながら,個人の最適な顔の特定を効率的に行う方法を示す。
論文 参考訳（メタデータ） (2020-07-20T10:27:18Z) - Human Preference-Based Learning for High-dimensional Optimization of
Exoskeleton Walking Gaits [55.59198568303196]
この研究は、LineCoSparという、高次元でユーザの好みを学習するヒューマン・イン・ザ・ループの好みベースのフレームワークを提示する。
シミュレーションと人為的試行において,LineCoSparは高次元の選好最適化のためのサンプル効率のよい手法であることを実証的に検証した。
この結果はエキソ骨格の歩行合成に影響を及ぼし,臨床応用と患者のリハビリテーションに有効である。
論文 参考訳（メタデータ） (2020-03-13T22:02:15Z) - End-to-End Facial Deep Learning Feature Compression with Teacher-Student
Enhancement [57.18801093608717]
本稿では,ディープニューラルネットワークの表現と学習能力を活用することで,エンドツーエンドの特徴圧縮手法を提案する。
特に、抽出した特徴量を、レート歪みコストを最適化することにより、エンドツーエンドでコンパクトに符号化する。
提案モデルの有効性を顔の特徴で検証し, 圧縮性能を高いレート精度で評価した。
論文 参考訳（メタデータ） (2020-02-10T10:08:44Z)
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。