Fugu-MT 論文翻訳(概要): An Inherent Trade-Off in Noisy Neural Communication with Rank-Order Coding

論文の概要: An Inherent Trade-Off in Noisy Neural Communication with Rank-Order Coding

arxiv url: http://arxiv.org/abs/2308.07034v1
Date: Mon, 14 Aug 2023 09:53:27 GMT
ステータス: 処理完了
システム内更新日: 2023-08-15 13:48:06.508035
Title: An Inherent Trade-Off in Noisy Neural Communication with Rank-Order Coding
Title（参考訳）: ランク順符号化を用いたノイズニューラル通信における因果的トレードオフ
Authors: Ibrahim Alsolami and Tomoki Fukai
Abstract要約: ランク順のコーディングは、哺乳類の脳の急速な能力を説明するための有望なスキームとして登場した。本稿では、情報レートが根本的に可能か、どのようなトレードオフが重要かを示す。予期せぬ発見は、レシエーションにおいて、より少ないノイズで増加する特別な種類のエラーの出現である。
参考スコア（独自算出の注目度）: 7.070726553564701
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Rank-order coding, a form of temporal coding, has emerged as a promising scheme to explain the rapid ability of the mammalian brain. Owing to its speed as well as efficiency, rank-order coding is increasingly gaining interest in diverse research areas beyond neuroscience. However, much uncertainty still exists about the performance of rank-order coding under noise. Herein we show what information rates are fundamentally possible and what trade-offs are at stake. An unexpected finding in this paper is the emergence of a special class of errors that, in a regime, increase with less noise.
Abstract（参考訳）: テンポラルコーディングの一種であるランクオーダーコーディングは、哺乳類の脳の急速な能力を説明するための有望なスキームとして登場した。その速度と効率性により、階級順のコーディングは神経科学以外の様々な研究分野にますます関心を寄せている。しかし、ノイズ下での階数符号化の性能については、まだ多くの不確実性が存在する。ここでは、どのような情報レートが基本的に可能か、どのようなトレードオフがかかっているかを示す。この論文で予期せぬ発見は、ノイズを少なくして増加する特別なエラーのクラスが出現することである。

関連論文リスト

Resilience-Runtime Tradeoff Relations for Quantum Algorithms [0.7371081631199642]
アルゴリズム設計における主要なアプローチは、アルゴリズムのコンパイルにおける操作数を最小化することである。摂動雑音に対するアルゴリズムのレジリエンスを特徴付ける枠組みを開発する。我々は、このフレームワークがどのようにして特定のノイズに耐えられるアルゴリズムのコンパイルを識別できるかを示す。
論文参考訳（メタデータ） (2024-08-05T18:31:14Z)
Learned layered coding for Successive Refinement in the Wyner-Ziv Problem [18.134147308944446]
本稿では,連続したソースのプログレッシブエンコーディングを明示的に学習するためのデータ駆動型アプローチを提案する。この設定は、Wyner-Ziv符号問題の連続的な改善を指す。我々は、RNNがスケーラブルなネスト量子化と同様の層状ビニングソリューションを明示的に検索できることを実証した。
論文参考訳（メタデータ） (2023-11-06T12:45:32Z)
Decoding algorithms for surface codes [0.0]
現在、表面コードは、短期的エラー修正量子ビットを構築する最も有望な候補である。アルゴリズムの復号化における重要な側面は、量子状態が時間の経過とともにさらなるエラーに遭うため、その速度である。本稿では、これらの復号法の中核となる原理と、改良された結果の約束を示す既存の変種について述べる。
論文参考訳（メタデータ） (2023-07-27T16:34:52Z)
Tram: A Token-level Retrieval-augmented Mechanism for Source Code Summarization [76.57699934689468]
ニューラルモデルの性能を高めるために,デコーダ側で詳細なTokenレベル検索強化機構(Tram)を提案する。文脈的コードセマンティクスの取得におけるトークンレベルの検索の課題を克服するために,コードセマンティクスを個々の要約トークンに統合することを提案する。
論文参考訳（メタデータ） (2023-05-18T16:02:04Z)
Noise-Robust Dense Retrieval via Contrastive Alignment Post Training [89.29256833403167]
Contrastive Alignment POst Training (CAPOT) は、指数再生を必要とせず、モデルロバスト性を改善する高効率な微調整法である。 CAPOTはドキュメントエンコーダを凍結することで堅牢な検索を可能にし、クエリエンコーダはノイズの多いクエリを修正されていないルートに整列させる。 MSMARCO、Natural Questions、Trivia QAパス検索のCAPOTノイズ変動を評価し、CAPOTがオーバーヘッドを伴わないデータ増大に類似した影響があることを発見した。
論文参考訳（メタデータ） (2023-04-06T22:16:53Z)
NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文参考訳（メタデータ） (2023-01-01T12:48:12Z)
Multi-task Balanced and Recalibrated Network for Medical Code Prediction [19.330911490203317]
人間のコーダーは、患者の入院中に生成された臨床文書に標準化された医療コードを割り当てる。本稿では,マルチタスクバランスとリカリデーションニューラルネットワークという新しいニューラルネットワークを提案する。畳み込みブロックをカスケードして高レベルなセマンティック特徴を抽出して再校正集約モジュールを開発する。提案モデルは,実世界の臨床データセットMIMIC-III上での競争ベースラインよりも優れる。
論文参考訳（メタデータ） (2021-09-06T12:58:25Z)
Efficient First-Order Contextual Bandits: Prediction, Allocation, and Triangular Discrimination [82.52105963476703]
統計的学習、オンライン学習、その他における繰り返しのテーマは、低騒音の問題に対してより速い収束率が可能であることである。 1次保証は統計的およびオンライン学習において比較的よく理解されている。三角識別と呼ばれる対数損失と情報理論量が一階保証を得る上で基本的な役割を担っていることを示す。
論文参考訳（メタデータ） (2021-07-05T19:20:34Z)
Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
論文参考訳（メタデータ） (2020-11-12T06:06:33Z)
Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
論文参考訳（メタデータ） (2020-10-02T15:21:37Z)

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。