Fugu-MT 論文翻訳(概要): Sleep Deprivation in the Forward-Forward Algorithm

論文の概要: Sleep Deprivation in the Forward-Forward Algorithm

arxiv url: http://arxiv.org/abs/2310.18647v1
Date: Sat, 28 Oct 2023 09:09:44 GMT
ステータス: 処理完了
システム内更新日: 2023-10-31 17:18:24.085006
Title: Sleep Deprivation in the Forward-Forward Algorithm
Title（参考訳）: 前向きアルゴリズムにおける睡眠不足
Authors: Mircea-Tudor Lic\u{a}, David Dinucu-Jianu
Abstract要約: 睡眠と覚醒相のギャップの大きさが,アルゴリズムの学習能力に影響を及ぼすことを示す。睡眠不足の破壊的影響を減少させるための負のデータの重要性を強調した。
参考スコア（独自算出の注目度）: 2.7195102129095003
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper aims to explore the separation of the two forward passes in the Forward-Forward algorithm from a biological perspective in the context of sleep. We show the size of the gap between the sleep and awake phase influences the learning capabilities of the algorithm and highlight the importance of negative data in diminishing the devastating effects of sleep deprivation.
Abstract（参考訳）: 本稿では,睡眠の文脈における生物学的観点から,フォワードフォワードアルゴリズムにおける2つの前方パスの分離を検討することを目的とする。睡眠と覚醒のギャップの大きさはアルゴリズムの学習能力に影響を与え、睡眠不足による壊滅的な影響を減らす上で負のデータの重要性を強調する。

関連論文リスト

Annotation of Sleep Depth Index with Scalable Deep Learning Yields Novel Digital Biomarkers for Sleep Health [15.197165195697666]
伝統的な睡眠ステージは、睡眠と覚醒を5つの粗いクラスに分類し、各ステージの微妙な変化を見越す。既存の睡眠ステージリングラベルを用いた睡眠深度指標の自動的かつスケーラブルなアノテーションのディープラーニング手法を提案する。本手法は4つの大規模コホートにまたがる1万以上の録音からポリソムノグラフィーを用いて検証した。
論文参考訳（メタデータ） (2024-07-05T08:42:49Z)
ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
論文参考訳（メタデータ） (2024-02-22T13:22:06Z)
SI-SD: Sleep Interpreter through awake-guided cross-subject Semantic Decoding [5.283755248013948]
我々は、新しい認知神経科学実験を設計し、覚醒と睡眠の間に134人の被験者から、包括的、十分に注意された脳波(EEG)データセットを収集した。我々は、覚醒と睡眠の間のニューラル潜伏シーケンスの位置ワイドアライメントにより、睡眠意味のデコーディングを強化するSI-SDを開発した。
論文参考訳（メタデータ） (2023-09-28T14:06:34Z)
Contrastive Learning for Sleep Staging based on Inter Subject Correlation [2.092935059855151]
本稿では,睡眠ステージング研究に用いられているMViTimeモデルについて述べる。睡眠段階分類におけるクロスオブジェクト問題に対処するために,コントラスト学習による物体間相関理論を実装した。
論文参考訳（メタデータ） (2023-05-05T12:16:01Z)
Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文参考訳（メタデータ） (2023-01-17T15:18:45Z)
ProductGraphSleepNet: Sleep Staging using Product Spatio-Temporal Graph Learning with Attentive Temporal Aggregation [4.014524824655106]
本研究では,協調時間グラフ学習のための適応型製品グラフ学習型グラフ畳み込みネットワークProductGraphSleepNetを提案する。提案したネットワークにより、臨床医は学習した睡眠段階の接続グラフを理解し、解釈することができる。
論文参考訳（メタデータ） (2022-12-09T14:34:58Z)
Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文参考訳（メタデータ） (2022-11-08T17:29:40Z)
Continual learning benefits from multiple sleep mechanisms: NREM, REM, and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文参考訳（メタデータ） (2022-09-09T13:45:27Z)
TransSleep: Transitioning-aware Attention-based Deep Neural Network for Sleep Staging [2.105172041656126]
本稿では,局所的な時間的特徴を捉えた新しいディープニューラルネットワーク構造であるTransSleepを提案する。その結果,TransSleepは自動睡眠ステージングにおいて有望な性能を発揮することがわかった。
論文参考訳（メタデータ） (2022-03-22T08:55:32Z)
Disentangling Adaptive Gradient Methods from Learning Rates [65.0397050979662]
適応的勾配法が学習率のスケジュールとどのように相互作用するかを、より深く検討する。我々は、更新の規模をその方向から切り離す"グラフティング"実験を導入する。適応勾配法の一般化に関する経験的および理論的考察を示す。
論文参考訳（メタデータ） (2020-02-26T21:42:49Z)
The Break-Even Point on Optimization Trajectories of Deep Neural Networks [64.7563588124004]
この軌道上の「破滅的な」点の存在を論じる。トレーニングの初期段階での大きな学習率を用いることで、勾配のばらつきが軽減されることを示す。また, バッチ正規化層を有するニューラルネットワークにおいても, 低学習率を用いることで損失面の条件が悪くなることを示す。
論文参考訳（メタデータ） (2020-02-21T22:55:51Z)

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。