論文の概要: Precision estimation and second-order errors in cortical circuits
- arxiv url: http://arxiv.org/abs/2309.16046v2
- Date: Fri, 8 Dec 2023 15:06:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 18:30:11.847183
- Title: Precision estimation and second-order errors in cortical circuits
- Title(参考訳): 皮質回路における精度推定と2次誤差
- Authors: Arno Granier, Mihai A. Petrovici, Walter Senn and Katharina A. Wilmes
- Abstract要約: 大脳皮質予測誤差の最小化は、知覚、行動、学習の基礎となる大脳皮質の重要な計算目標と考えられている。
我々は、皮質領域が他の領域での活動を予測するだけでなく、予測の精度を共同で推定する必要があるという仮定の下で予測誤差を最小限に抑える神経力学を導出する。
2次誤差は、誤り訂正学習規則を通じて精度推定に責任があるシナプスの重みを学習するために用いられる。
- 参考スコア(独自算出の注目度): 1.3647343679538835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Minimization of cortical prediction errors has been considered a key
computational goal of the cerebral cortex underlying perception, action and
learning. However, it is still unclear how the cortex should form and use
information about uncertainty in this process of prediction error minimization.
Here we derive neural dynamics that minimize prediction errors under the
assumption that cortical areas must not only predict the activity in other
areas and sensory streams, but also jointly estimate the precision of their
predictions. This results in a dynamic modulatory balancing of cortical streams
based on context-dependent precision estimates. Moreover, the theory predicts
the existence of cortical second-order errors, comparing estimated and actual
precision, propagated through the cortical hierarchy alongside classical
prediction errors. These second-order errors are used to learn weights of
synapses responsible for precision estimation through an error-correcting
synaptic learning rule. Finally, we propose a detailed mapping of the theory to
cortical circuitry.
- Abstract(参考訳): 大脳皮質予測誤差の最小化は、知覚、行動、学習に基づく大脳皮質の重要な計算目標と考えられている。
しかし、この予測誤差最小化の過程において、脳皮質がどのように形成され、不確実性に関する情報を使用するべきかはまだ不明である。
ここでは、皮質領域が他の領域や感覚の流れの活動を予測するだけでなく、予測の精度を共同で推定する必要があるという仮定の下で予測誤差を最小化する神経力学を導出する。
その結果,文脈依存的精度推定に基づく皮質ストリームの動的変調バランスが得られた。
さらに、この理論は、古典的な予測誤差と共に皮質階層を通して伝播する、推定と実際の精度を比較して、皮質二階誤差の存在を予測する。
これらの二階誤差は、誤り訂正型シナプス学習規則を通じて精度推定に責任のあるシナプスの重みを学習するために用いられる。
最後に,この理論の皮質回路への詳細なマッピングを提案する。
関連論文リスト
- On Calibrated Model Uncertainty in Deep Learning [0.0]
損失校正されたベイジアンフレームワークの近似推論を,ドロップウェイトに基づくベイジアンニューラルネットワークに拡張する。
損失校正された不確実性から得られる決定は、簡単な代替手段よりも、診断性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2022-06-15T20:16:32Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - 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) - A heteroencoder architecture for prediction of failure locations in
porous metals using variational inference [1.2722697496405462]
多孔質金属張力試験片の故障箇所を予測するために,エンコーダ・デコーダ畳み込みニューラルネットワークを用いた。
故障箇所の予測の目的は、標本中のほとんどの材料が故障しないため、クラス不均衡の極端なケースを示す。
得られた予測分散は、任意の標本において最も失敗する可能性のある位置のランク付けに有効であることを示す。
論文 参考訳(メタデータ) (2022-01-31T20:26:53Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳(メタデータ) (2021-10-13T01:23:48Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳(メタデータ) (2020-11-23T05:42:20Z) - 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) - Prediction-Coherent LSTM-based Recurrent Neural Network for Safer
Glucose Predictions in Diabetic People [4.692400531340393]
本稿では,予測の安定性を高めるLSTMに基づくリカレントニューラルネットワークアーキテクチャと損失関数を提案する。
研究は1型と2型糖尿病患者を対象に行われ、30分前の予測に焦点をあてた。
論文 参考訳(メタデータ) (2020-09-08T13:14:08Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z)
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。