論文の概要: Sparse Multitask Learning for Efficient Neural Representation of Motor
Imagery and Execution
- arxiv url: http://arxiv.org/abs/2312.05828v1
- Date: Sun, 10 Dec 2023 09:06:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 18:26:08.063312
- Title: Sparse Multitask Learning for Efficient Neural Representation of Motor
Imagery and Execution
- Title(参考訳): 運動画像の効率的なニューラル表現と実行のためのスパースマルチタスク学習
- Authors: Hye-Bin Shin, Kang Yin, Seong-Whan Lee
- Abstract要約: 運動画像(MI)と運動実行(ME)タスクのためのスパースマルチタスク学習フレームワークを提案する。
MI-ME分類のためのデュアルタスクCNNモデルが与えられた場合、過渡的な接続に対して、サリエンシに基づくスペーシフィケーションアプローチを適用する。
以上の結果から, この調整された疎水性は, 過度に適合する問題を緩和し, 少ないデータ量でテスト性能を向上させることが示唆された。
- 参考スコア(独自算出の注目度): 30.186917337606477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the quest for efficient neural network models for neural data
interpretation and user intent classification in brain-computer interfaces
(BCIs), learning meaningful sparse representations of the underlying neural
subspaces is crucial. The present study introduces a sparse multitask learning
framework for motor imagery (MI) and motor execution (ME) tasks, inspired by
the natural partitioning of associated neural subspaces observed in the human
brain. Given a dual-task CNN model for MI-ME classification, we apply a
saliency-based sparsification approach to prune superfluous connections and
reinforce those that show high importance in both tasks. Through our approach,
we seek to elucidate the distinct and common neural ensembles associated with
each task, employing principled sparsification techniques to eliminate
redundant connections and boost the fidelity of neural signal decoding. Our
results indicate that this tailored sparsity can mitigate the overfitting
problem and improve the test performance with small amount of data, suggesting
a viable path forward for computationally efficient and robust BCI systems.
- Abstract(参考訳): 脳-コンピュータインタフェース(BCI)におけるニューラルネットワーク解釈とユーザ意図の分類のための効率的なニューラルネットワークモデルを求める中で、基礎となる神経サブスペースのスパース表現を学習することが重要である。
本研究では,人間の脳で観察される神経部分空間の自然な分割に着想を得た,運動画像(mi)と運動実行(me)タスクのためのスパースなマルチタスク学習フレームワークを提案する。
mi-me分類のためのdual-task cnnモデルが与えられた場合,sparsificationアプローチをpruneの超流動接続に適用し,両タスクにおいて高い重要性を示すものを強化する。
提案手法では,各タスクに関連付けられ,共通するニューラルアンサンブルを解明し,冗長な接続を排除し,ニューラル信号復号の忠実性を高めるために,スペーシフィケーション手法を用いる。
以上の結果から, この調整された疎水性は, オーバーフィッティング問題を緩和し, 少ないデータ量でテスト性能を向上させることを示唆し, 計算効率とロバストなBCIシステムの実現に向けての道のりが示唆された。
関連論文リスト
- Simple and Effective Transfer Learning for Neuro-Symbolic Integration [54.27778591338189]
この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。
これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。
それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。
本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
論文 参考訳(メタデータ) (2024-02-21T15:51:01Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - Automated Natural Language Explanation of Deep Visual Neurons with Large
Models [43.178568768100305]
本稿では,大きな基礎モデルを持つニューロンの意味的説明を生成するための,新しいポストホックフレームワークを提案する。
我々のフレームワークは、様々なモデルアーキテクチャやデータセット、自動化されたスケーラブルなニューロン解釈と互換性があるように設計されています。
論文 参考訳(メタデータ) (2023-10-16T17:04:51Z) - A Spiking Binary Neuron -- Detector of Causal Links [0.0]
因果関係認識は、学習行動、行動計画、外界ダイナミクスの推論を目的としたニューラルネットワークの基本的な操作である。
本研究は、単純なスパイク二元性ニューロンを用いた因果関係認識を実現するための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-15T15:34:17Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳(メタデータ) (2023-05-26T02:52:12Z) - Spiking Generative Adversarial Network with Attention Scoring Decoding [4.5727987473456055]
スパイクニューラルネットワークは、脳のような処理に近づいた近似を提供する。
我々は複雑な画像を扱うことができるスパイク生成対向ネットワークを構築した。
論文 参考訳(メタデータ) (2023-05-17T14:35:45Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Multigoal-oriented dual-weighted-residual error estimation using deep
neural networks [0.0]
ディープラーニングは、関数を近似する柔軟性の高い強力なツールだと考えられている。
提案手法は,誤差の局所化に付随する問題を解く後続誤差推定法に基づく。
複数のゴール関数に対する後方誤差推定を得るために,効率的で実装が容易なアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-12-21T16:59:44Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳(メタデータ) (2021-09-20T15:12:16Z) - LOCUS: A Novel Decomposition Method for Brain Network Connectivity
Matrices using Low-rank Structure with Uniform Sparsity [8.105772140598056]
ネットワーク指向の研究は多くの科学分野で人気が高まっている。
神経科学研究において、画像に基づくネットワーク接続対策が脳組織の鍵となっている。
論文 参考訳(メタデータ) (2020-08-19T05:47:12Z) - Towards Efficient Processing and Learning with Spikes: New Approaches
for Multi-Spike Learning [59.249322621035056]
各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。
特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。
提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
論文 参考訳(メタデータ) (2020-05-02T06:41:20Z)
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。