Fugu-MT 論文翻訳(概要): Cortex Inspired Learning to Recover Damaged Signal Modality with ReD-SOM Model

論文の概要: Cortex Inspired Learning to Recover Damaged Signal Modality with ReD-SOM Model

arxiv url: http://arxiv.org/abs/2307.15095v1
Date: Thu, 27 Jul 2023 09:44:12 GMT
ステータス: 処理完了
システム内更新日: 2023-07-31 14:41:09.327874
Title: Cortex Inspired Learning to Recover Damaged Signal Modality with ReD-SOM Model
Title（参考訳）: ReD-SOMモデルによる損傷信号のモダリティ回復のためのコーテックスによる学習
Authors: Artem Muliukov, Laurent Rodriguez, Benoit Miramond
Abstract要約: AIと認知科学の最近の進歩は、これまで研究ができなかった新しい課題を生み出している。そのような現代的なタスクの1つは、あるモダリティの失われたデータを別のモダリティから取り出すことである。本稿では,このような効果をシミュレートし,変分オートエンコーダ,自己組織化マップ,ヘッブ接続を組み合わせることで,損失データモダリティを再構築する手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent progress in the fields of AI and cognitive sciences opens up new challenges that were previously inaccessible to study. One of such modern tasks is recovering lost data of one modality by using the data from another one. A similar effect (called the McGurk Effect) has been found in the functioning of the human brain. Observing this effect, one modality of information interferes with another, changing its perception. In this paper, we propose a way to simulate such an effect and use it to reconstruct lost data modalities by combining Variational Auto-Encoders, Self-Organizing Maps, and Hebb connections in a unified ReD-SOM (Reentering Deep Self-organizing Map) model. We are inspired by human's capability to use different zones of the brain in different modalities, in case of having a lack of information in one of the modalities. This new approach not only improves the analysis of ambiguous data but also restores the intended signal! The results obtained on the multimodal dataset demonstrate an increase of quality of the signal reconstruction. The effect is remarkable both visually and quantitatively, specifically in presence of a significant degree of signal's distortion.
Abstract（参考訳）: AIと認知科学の分野での最近の進歩は、これまで研究ができなかった新しい課題を開く。そのような現代的なタスクの1つは、あるモダリティの失われたデータを別のモダリティから取り出すことである。同様の効果(マクグルク効果と呼ばれる)は、ヒトの脳の機能にも見られる。この効果を観察すると、情報のモダリティが互いに干渉し、その知覚が変化する。本稿では,このような効果をシミュレートし,変分オートエンコーダ,自己組織化マップ,ヘッブ接続を統合されたReD-SOM(Reentering Deep Self-organizing Map)モデルで組み合わせることで,損失データモダリティを再構築する手法を提案する。私たちは、あるモダリティにおいて情報が不足している場合に、異なるモダリティで脳の異なるゾーンを使用する人間の能力にインスピレーションを受けています。この新しいアプローチは、曖昧なデータの解析を改善するだけでなく、意図した信号を復元する。マルチモーダルデータセットで得られた結果は、信号再構成の品質の向上を示す。この効果は視覚的にも量的にも顕著であり、特に信号の歪みの程度が顕著である。

関連論文リスト

Resolving Domain Shift For Representations Of Speech In Non-Invasive Brain Recordings [3.5297361401370044]
脳磁図(MEG)を用いた非侵襲的データ収集に焦点を当てた。私たちの知る限りでは、この研究はMEGニューロイメージングデータに基づく機能レベルの深層学習の初めての応用である。
論文参考訳（メタデータ） (2024-10-25T21:56:23Z)
Representation Learning for Wearable-Based Applications in the Case of Missing Data [20.37256375888501]
実環境におけるマルチモーダルセンサデータは、データ品質が低く、データアノテーションが限られているため、依然として困難である。本稿では,不足するウェアラブルデータに対する表現学習について検討し,最新統計手法と比較する。本研究は,マスキングに基づく自己指導型学習タスクの設計と開発に関する知見を提供する。
論文参考訳（メタデータ） (2024-01-08T08:21:37Z)
Causal disentanglement of multimodal data [1.589226862328831]
因果関係を持つ重要な特徴を発見するために,マルチモーダルデータと既知の物理を利用する因果表現学習アルゴリズム(causalPIMA)を導入する。本研究は,完全教師なし環境下で重要な特徴を同時に発見しながら,解釈可能な因果構造を学習する能力を示すものである。
論文参考訳（メタデータ） (2023-10-27T20:30:11Z)
A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文参考訳（メタデータ） (2023-10-11T15:21:40Z)
PartMix: Regularization Strategy to Learn Part Discovery for Visible-Infrared Person Re-identification [76.40417061480564]
本稿では、パートベース可視赤外線人物再識別(VI-ReID)モデルに対して、PartMixと呼ばれる新しいデータ拡張手法を提案する。部分記述子をモダリティに混合することにより、拡張サンプルを合成し、パートベースVI-ReIDモデルの性能を向上させる。
論文参考訳（メタデータ） (2023-04-04T05:21:23Z)
CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文参考訳（メタデータ） (2022-12-20T18:31:50Z)
Improving the Level of Autism Discrimination through GraphRNN Link Prediction [8.103074928419527]
本稿では,GraphRNNを用いて実脳ネットワークのエッジ分布を学習する後者の手法に基づく。実験の結果,オリジナルデータと合成データの組み合わせはニューラルネットワークの識別を大幅に改善することがわかった。
論文参考訳（メタデータ） (2022-02-19T06:50:32Z)
Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文参考訳（メタデータ） (2021-12-09T07:11:14Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Low to High Dimensional Modality Hallucination using Aggregated Fields of View [48.32515709424962]
我々は、モダリティ幻覚を一貫したモダリティ可用性を保証する効果的な方法として論じる。本稿では,周辺地域の複数の分野から情報を集約する新しい幻覚アーキテクチャを提案する。また、UWRGBDおよびNYUDデータセットの分類とセグメンテーション実験を行い、幻覚がモダリティ損失の負の影響を和らげることを示した。
論文参考訳（メタデータ） (2020-07-13T03:13:48Z)

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。