論文の概要: Synaptic Plasticity Models and Bio-Inspired Unsupervised Deep Learning:
A Survey
- arxiv url: http://arxiv.org/abs/2307.16236v1
- Date: Sun, 30 Jul 2023 13:58:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 16:48:51.086818
- Title: Synaptic Plasticity Models and Bio-Inspired Unsupervised Deep Learning:
A Survey
- Title（参考訳）: シナプス塑性モデルとバイオインスパイア非教師なし深層学習
- Authors: Gabriele Lagani, Fabrizio Falchi, Claudio Gennaro, Giuseppe Amato
- Abstract要約: 最近登場したディープラーニング(DL)技術は、人工知能(AI)分野における様々なタスクにおいて優れた成果を上げている。
本調査では, シナプスの可塑性モデル, DLシナリオへの応用, スパイキングニューラルネットワーク(SNN)における可塑性モデルとの関係について検討した。
バイオインスパイアされたディープラーニング(bio-Inspired Deep Learning, BIDL)は、私たちの現在の技術だけでなく、インテリジェンスに対する理解も進めることを目指して、エキサイティングな研究の方向性を示している。
- 参考スコア（独自算出の注目度）: 9.284385189718236
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recently emerged technologies based on Deep Learning (DL) achieved
outstanding results on a variety of tasks in the field of Artificial
Intelligence (AI). However, these encounter several challenges related to
robustness to adversarial inputs, ecological impact, and the necessity of huge
amounts of training data. In response, researchers are focusing more and more
interest on biologically grounded mechanisms, which are appealing due to the
impressive capabilities exhibited by biological brains. This survey explores a
range of these biologically inspired models of synaptic plasticity, their
application in DL scenarios, and the connections with models of plasticity in
Spiking Neural Networks (SNNs). Overall, Bio-Inspired Deep Learning (BIDL)
represents an exciting research direction, aiming at advancing not only our
current technologies but also our understanding of intelligence.
- Abstract（参考訳）: 最近登場したディープラーニング(dl)に基づく技術は、人工知能(ai)の分野で様々なタスクで優れた成果を上げている。
しかし、これらは敵の入力に対する堅牢性、生態学的影響、および大量のトレーニングデータの必要性に関連するいくつかの課題に直面している。
研究者たちは、生物学的な脳が持つ印象的な能力により、生物学的に接地したメカニズムにますます関心を寄せている。
本調査では, シナプスの可塑性モデル, DLシナリオへの応用, スパイキングニューラルネットワーク(SNN)における可塑性モデルとの関係について検討した。
バイオインスパイアされたディープラーニング(bio-Inspired Deep Learning, BIDL)は、私たちの現在の技術だけでなく、インテリジェンスに対する理解も進めることを目指して、エキサイティングな研究の方向性を示している。
関連論文リスト
- Research Advances and New Paradigms for Biology-inspired Spiking Neural Networks [8.315801422499861]
スパイキングニューラルネットワーク(SNN)は、計算シミュレーションと人工知能の分野で人気を集めている。
本稿では,SNNの歴史的発展を考察し,これら2つの分野が相互に交わり,急速に融合していることを結論する。
論文 参考訳（メタデータ） (2024-08-26T03:37:48Z) - 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) - Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T18:06:22Z) - 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) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - 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) - Spiking Neural Networks and Bio-Inspired Supervised Deep Learning: A
Survey [9.284385189718236]
バイオインスパイアされたディープラーニングは、現在のモデルの計算能力と生物学的妥当性を向上させる。
近年のバイオインスパイアされたトレーニング手法は、従来のネットワークとスパイクネットワークの両方において、バックプロップの代替手段として機能している。
論文 参考訳（メタデータ） (2023-07-30T13:57:25Z) - 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) - An Introductory Review of Spiking Neural Network and Artificial Neural
Network: From Biological Intelligence to Artificial Intelligence [4.697611383288171]
生物学的解釈可能性を持つスパイクニューラルネットワークは、徐々に注目を集めている。
このレビューは、さまざまな研究者を惹きつけ、脳にインスパイアされた知性と人工知能の開発を進めたいと考えている。
論文 参考訳（メタデータ） (2022-04-09T09:34:34Z) - Spatiotemporal Patterns in Neurobiology: An Overview for Future
Artificial Intelligence [0.0]
我々は,ネットワーク相互作用から生じる機能を明らかにする上で,計算モデルが重要なツールであると主張している。
ここでは、スパイキングニューロン、統合ニューロン、発火ニューロンを含むいくつかのモデルのクラスについてレビューする。
これらの研究は、人工知能アルゴリズムの今後の発展と、脳のプロセスの理解の検証に役立つことを願っている。
論文 参考訳（メタデータ） (2022-03-29T10:28:01Z)
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。