論文の概要: Differentiable Optimization of Similarity Scores Between Models and Brains
- arxiv url: http://arxiv.org/abs/2407.07059v1
- Date: Tue, 9 Jul 2024 17:31:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-10 17:07:48.258424
- Title: Differentiable Optimization of Similarity Scores Between Models and Brains
- Title(参考訳): モデルと脳の類似度スコアの微分可能最適化
- Authors: Nathan Cloos, Moufan Li, Markus Siegel, Scott L. Brincat, Earl K. Miller, Guangyu Robert Yang, Christopher J. Cueva,
- Abstract要約: 非ヒト霊長類の5つの実験で記録された神経活動の解析を行った。
線形回帰やCKAのような測度は、角プロクリストと異なる。
理論とシミュレーションの両方において、これらのスコアが、異なる主成分が摂動するときにどのように変化するかを示す。
- 参考スコア(独自算出の注目度): 1.5391321019692434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: What metrics should guide the development of more realistic models of the brain? One proposal is to quantify the similarity between models and brains using methods such as linear regression, Centered Kernel Alignment (CKA), and angular Procrustes distance. To better understand the limitations of these similarity measures we analyze neural activity recorded in five experiments on nonhuman primates, and optimize synthetic datasets to become more similar to these neural recordings. How similar can these synthetic datasets be to neural activity while failing to encode task relevant variables? We find that some measures like linear regression and CKA, differ from angular Procrustes, and yield high similarity scores even when task relevant variables cannot be linearly decoded from the synthetic datasets. Synthetic datasets optimized to maximize similarity scores initially learn the first principal component of the target dataset, but angular Procrustes captures higher variance dimensions much earlier than methods like linear regression and CKA. We show in both theory and simulations how these scores change when different principal components are perturbed. And finally, we jointly optimize multiple similarity scores to find their allowed ranges, and show that a high angular Procrustes similarity, for example, implies a high CKA score, but not the converse.
- Abstract(参考訳): 脳のより現実的なモデルの開発を導くための指標は何か?
1つの提案は、線形回帰、CKA(Centered Kernel Alignment)、角状プロクリスト距離などの手法を用いて、モデルと脳の類似性を定量化することである。
これらの類似度測定の限界をよりよく理解するために、我々は、非ヒト霊長類の5つの実験で記録された神経活動を分析し、合成データセットをこれらのニューラル記録とよりよく似たものに最適化する。
これらの合成データセットは、タスクに関連する変数をエンコードしていない間、神経活動にどの程度似ているか?
線形回帰やCKAのような測度は, 角状プロクリストと異なり, タスク関連変数が合成データセットから線形に復号できない場合でも高い類似性スコアが得られる。
類似度スコアを最大化するために最適化された合成データセットは、最初はターゲットデータセットの最初の主成分を学習するが、角状プロクリストは線形回帰やCKAのような手法よりもはるかに早く、高い分散次元をキャプチャする。
理論とシミュレーションの両方において、これらのスコアが、異なる主成分が摂動するときにどのように変化するかを示す。
そして最後に、複数の類似度スコアを共同で最適化して許容範囲を見つけ、例えば高角プロクリスト類似度は高いCKAスコアを示すが、逆ではないことを示す。
関連論文リスト
- Correcting Biased Centered Kernel Alignment Measures in Biological and Artificial Neural Networks [4.437949196235149]
Centred Kernel Alignment (CKA)は、生物と人工ニューラルネットワーク(ANN)のアクティベーションを比較するための一般的な指標として最近登場した。
本稿では,ニューラルネットワークのアライメント指標としてCKAを使用する場合,コミュニティが考慮すべき課題について述べる。
論文 参考訳(メタデータ) (2024-05-02T05:27:12Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - Using Ensemble Inference to Improve Recall of Clone Detection [0.0]
大規模なソースコードクローン検出は難しい課題である。
我々は、最先端のニューラルネットワークモデル4つを採用し、それらを個別に/または組み合わせて評価する。
その結果、およそ5万行のC/C++コードからなるイラストレーションデータセット上で、アンサンブル推論は、すべての試行ケースで個々のモデルよりも優れていることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T09:44:59Z) - Target Variable Engineering [0.0]
数値的対象を予測するために訓練された回帰モデルの予測性能と、2項化対象を予測するために訓練された分類器を比較した。
回帰は最適性能に収束するためには、はるかに多くの計算作業を必要とする。
論文 参考訳(メタデータ) (2023-10-13T23:12:21Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳(メタデータ) (2023-08-28T12:55:13Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Noise-cleaning the precision matrix of fMRI time series [2.6399022396257794]
いくつかの標準ノイズクリーニングアルゴリズムを考察し、2種類のデータセットと比較する。
各アルゴリズムの信頼性は、テストセット確率と、合成データの場合、真の精度行列からの距離で評価される。
パラメータの1つをクロスバリデーションにより最適化する最適回転不変量推定器の変種を提案する。
論文 参考訳(メタデータ) (2023-02-06T17:32:17Z) - Can we achieve robustness from data alone? [0.7366405857677227]
敵の訓練とその変種は、ニューラルネットワークを用いた敵の堅牢な分類を実現するための一般的な方法となっている。
そこで我々は,ロバストな分類のためのメタラーニング手法を考案し,その展開前のデータセットを原則的に最適化する。
MNIST と CIFAR-10 の実験により、我々が生成するデータセットはPGD 攻撃に対して非常に高い堅牢性を持つことが示された。
論文 参考訳(メタデータ) (2022-07-24T12:14:48Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳(メタデータ) (2022-03-23T12:52:49Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z)
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。