論文の概要: Higher-Order Spatial Information for Self-Supervised Place Cell Learning

• arxiv url: http://arxiv.org/abs/2407.06195v1
• Date: Mon, 10 Jun 2024 15:03:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 14:07:46.879904
• Title: Higher-Order Spatial Information for Self-Supervised Place Cell Learning
• Title（参考訳）: 自己監督型位置細胞学習のための高次空間情報
• Authors: Jared Deighton, Wyatt Mackey, Ioannis Schizas, David L. Boothe Jr., Vasileios Maroulas,
• Abstract要約: 哺乳類は、空間内の位置を符号化する場所と格子細胞を介して、新しい環境をナビゲートする。 我々は高次空間情報尺度を導出し,実装し,複数の位置セルの出現について検討する。 創発性場所細胞には、高精度な空間デコードを含む多くの望ましい特徴があることを示す。
• 参考スコア（独自算出の注目度）: 0.9378911615939924
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mammals navigate novel environments and exhibit resilience to sparse environmental sensory cues via place and grid cells, which encode position in space. While the efficiency of grid cell coding has been extensively studied, the computational role of place cells is less well understood. This gap arises partially because spatial information measures have, until now, been limited to single place cells. We derive and implement a higher-order spatial information measure, allowing for the study of the emergence of multiple place cells in a self-supervised manner. We show that emergent place cells have many desirable features, including high-accuracy spatial decoding. This is the first work in which higher-order spatial information measures that depend solely on place cells' firing rates have been derived and which focuses on the emergence of multiple place cells via self-supervised learning. By quantifying the spatial information of multiple place cells, we enhance our understanding of place cell formation and capabilities in recurrent neural networks, thereby improving the potential navigation capabilities of artificial systems in novel environments without objective location information.
• Abstract（参考訳）: 哺乳類は、新しい環境をナビゲートし、空間における位置をコードする場所と格子細胞を介して、環境感覚を疎外するためのレジリエンスを示す。 グリッドセル符号化の効率性は広く研究されているが、プレースセルの計算的役割は理解されていない。 このギャップは、空間情報測度がこれまでは単一場所の細胞に限られていたため、部分的に生じる。 我々は高次空間情報尺度を導出し,実装し,複数の位置細胞が自己管理的に出現することを研究する。 創発性場所細胞には、高精度な空間デコードを含む多くの望ましい特徴があることを示す。 これは、場所細胞の発火速度のみに依存する高次空間情報測度が導出され、自己監督学習による複数の場所細胞の出現に焦点を当てた最初の作品である。 複数位置細胞の空間情報を定量化することにより、再帰的なニューラルネットワークにおける位置セルの形成と能力の理解を深め、客観的な位置情報を持たない新規環境における人工システムの潜在的なナビゲーション能力を向上させる。

関連論文リスト

• Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
  本稿では,一段階の効率的なセルトラッキングを実現するために,新しいエンドツーエンドCAPフレームワークを提案する。 CAPは検出またはセグメンテーション段階を放棄し、細胞点の軌跡間の相関を利用して細胞を共同で追跡することでプロセスを単純化する。 Capは強力なセルトラッキング性能を示し、既存の方法の10倍から55倍の効率を示している。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• QueST: Querying Functional and Structural Niches on Spatial Transcriptomics Data via Contrastive Subgraph Embedding [6.579597615392464]
  QueSTは、複数のサンプル間で空間ニッチを問合せするために設計された、新しいニッチ表現学習モデルである。 確立されたベンチマーク上で、人間とマウスのデータセットを用いてQueSTを評価する。 QueSTは空間的ニッチなクエリのための特殊なモデルを提供し、組織全体にわたる細胞空間構造のパターンとメカニズムについて深い洞察を得るための道を開く。
  論文  参考訳（メタデータ） (2024-10-14T16:01:27Z)
• Prediction of Cellular Identities from Trajectory and Cell Fate Information [0.40964539027092917]
  本稿では,機械学習を用いた早期のtextitC. elegansgenesisにおける細胞識別の革新的アプローチを提案する。 ランダムな森林, 胚, LSTMモデルを用いて, 最初の4時間にわたる3次元タイムラプスデータセットの細胞分類精度を検証した。 本研究は, 簡単な時空間的特徴から, タイムラプス画像における細胞アイデンティティの予測に成功したことを示す。
  論文  参考訳（メタデータ） (2024-01-11T03:28:13Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Self-Supervised Learning of Representations for Space Generates Multi-Modular Grid Cells [16.208253624969142]
  哺乳類の系統は 顕著な空間表現を発達させました 重要な空間表現の一つがノーベル賞受賞格子細胞である。 ノーベル賞受賞時のグリッド細胞は、自己位置、局所的および周期的な量を表す。
  論文  参考訳（メタデータ） (2023-11-04T03:59:37Z)
• Neuromorphic Computing and Sensing in Space [69.34740063574921]
  神経型コンピュータチップは、生物学的脳の構造を模倣するように設計されている。 ニューロモルフィックデバイスの低消費電力とエネルギー効率に重点を置くことは、宇宙応用には最適である。
  論文  参考訳（メタデータ） (2022-12-10T07:46:29Z)
• Multi-Class Cell Detection Using Spatial Context Representation [23.542218679448624]
  デジタル病理学では、細胞の自動診断および予後タスクにおいて、細胞の検出と分類の両方が重要である。 既存の方法は、個々の細胞の形態学的外観に焦点をあてるが、実際は、病理学者は、しばしばその空間的文脈を通して細胞クラスを推測する。 本研究では,空間的文脈情報を明示的に組み込んだ検出と分類のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-10T19:54:40Z)
• CellTrack R-CNN: A Novel End-To-End Deep Neural Network for Cell Segmentation and Tracking in Microscopy Images [21.747994390120105]
  細胞セグメンテーションと細胞追跡を一体化したエンドツーエンドのディープラーニングベースのフレームワークに結合する新しいアプローチを提案します。 本手法はセルセグメンテーションとセル追跡アキュラシーの両方の観点から最先端アルゴリズムを上回る。
  論文  参考訳（メタデータ） (2021-02-20T15:55:40Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Image segmentation via Cellular Automata [58.86475603234583]
  我々は高解像度画像のセグメンテーションを成功させるセルオートマトンを設計し、訓練する。 私たちの最小のオートマトンは、複雑なセグメンテーションタスクを解決するために1万以下のパラメータを使用します。
  論文  参考訳（メタデータ） (2020-08-11T19:04:09Z)
• AttentionNAS: Spatiotemporal Attention Cell Search for Video Classification [86.64702967379709]
  本稿では,時間的注意のための新しい検索空間を提案する。これにより,検索アルゴリズムはセルの様々な設計選択を柔軟に探索することができる。 検出されたアテンションセルは既存のバックボーンネットワーク(例えばI3DやS3D)にシームレスに挿入することができ、Kinetics-600とMiTのデータセットでビデオの精度を2%以上改善することができる。
  論文  参考訳（メタデータ） (2020-07-23T14:30:05Z)

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。