論文の概要: Circuit design in biology and machine learning. I. Random networks and dimensional reduction

• arxiv url: http://arxiv.org/abs/2408.09604v2
• Date: Wed, 13 Nov 2024 15:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:08:27.289199
• Title: Circuit design in biology and machine learning. I. Random networks and dimensional reduction
• Title（参考訳）: 生物学・機械学習における回路設計 I. ランダムネットワークと次元還元
• Authors: Steven A. Frank,
• Abstract要約: 生物回路は、生命の歴史における環境問題の解決をいかに学んだか? 本稿では,2つの古典的機械学習モデルを踏襲し,生体回路の設計に関する幅広い疑問を解析するための基礎を定めている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A biological circuit is a neural or biochemical cascade, taking inputs and producing outputs. How have biological circuits learned to solve environmental challenges over the history of life? The answer certainly follows Dobzhansky's famous quote that ``nothing in biology makes sense except in the light of evolution.'' But that quote leaves out the mechanistic basis by which natural selection's trial-and-error learning happens, which is exactly what we have to understand. How does the learning process that designs biological circuits actually work? How much insight can we gain about the form and function of biological circuits by studying the processes that have made those circuits? Because life's circuits must often solve the same problems as those faced by machine learning, such as environmental tracking, homeostatic control, dimensional reduction, or classification, we can begin by considering how machine learning designs computational circuits to solve problems. We can then ask: How much insight do those computational circuits provide about the design of biological circuits? How much does biology differ from computers in the particular circuit designs that it uses to solve problems? This article steps through two classic machine learning models to set the foundation for analyzing broad questions about the design of biological circuits. One insight is the surprising power of randomly connected networks. Another is the central role of internal models of the environment embedded within biological circuits, illustrated by a model of dimensional reduction and trend prediction. Overall, many challenges in biology have machine learning analogs, suggesting hypotheses about how biology's circuits are designed.
• Abstract（参考訳）: 生物学的回路は神経または生化学的カスケードであり、入力を受け取り出力を生成する。 生物回路は、生命の歴史における環境問題の解決をいかに学んだか? この答えは間違いなくドブジャンスキーの有名な引用に従い、「生物学における「何も意味がない」のは進化の光以外である。 しかし、この引用は、自然選択の試行錯誤学習のメカニズムを、まさに私たちが理解しなければならないものとして残している。 生物学的回路を設計する学習プロセスは実際にどのように機能するのか? これらの回路を作った過程を研究することによって、生物回路の形状と機能についてどの程度の洞察を得ることができるか? 生命の回路は、環境トラッキング、ホメオスタティック制御、次元縮小、分類といった機械学習が直面する問題と同じ問題をしばしば解決しなければならないため、機械学習がどのように計算回路を設計して問題を解決するかを考えることから始めることができる。 これらの計算回路は、生物回路の設計に関して、どの程度の洞察を与えていますか? 生物学は、問題の解決に使用する特定の回路設計におけるコンピュータとどの程度異なるのか? 本稿では,2つの古典的機械学習モデルを踏襲し,生体回路の設計に関する幅広い疑問を解析するための基礎を定めている。 1つの洞察は、ランダムに接続されたネットワークの驚くべきパワーである。 もう一つは、生物回路に埋め込まれた環境の内部モデルの中心的な役割であり、次元の減少とトレンド予測のモデルによって説明されている。 全体として、生物学における多くの課題は機械学習のアナログを持ち、生物学の回路がどのように設計されているかという仮説を示唆している。

関連論文リスト

• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Bio-inspired spike-based Hippocampus and Posterior Parietal Cortex models for robot navigation and environment pseudo-mapping [52.77024349608834]
  本研究はスパイクに基づくロボットナビゲーションと環境擬似マッピングシステムを提案する。 海馬は環境状態マップの表現を担い、PPCは局所的な意思決定を担当している。 これはバイオインスパイアされた海馬記憶に基づく動的学習を用いた環境擬似マッピングシステムの最初の実装である。
  論文  参考訳（メタデータ） (2023-05-22T10:20:34Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• There's Plenty of Room Right Here: Biological Systems as Evolved, Overloaded, Multi-scale Machines [0.0]
  我々は、カテゴリ間のハードバウンダリを放棄し、オブザーバに依存した実践的な視点を採用することによって、有用な道が先延ばしされることを論じる。 バイオメディカルまたはバイオエンジニアリングの目的のために生体システムを再形成するためには、複数のスケールでそれらの機能の予測と制御が必要である。 我々は,メソスケールイベントの理解を改善するために,進化・設計されたシステムによって実行される計算のためのオブザーバ中心のフレームワークを論じる。
  論文  参考訳（メタデータ） (2022-12-20T22:26:40Z)
• Biological connectomes as a representation for the architecture of artificial neural networks [0.0]
  我々は、C. Elegans線虫の運動回路を、生物物理学的リアリズムの様々なレベルにおいて、人工ニューラルネットワークに変換する。 C. Elegans の移動回路は移動問題に強力な帰納バイアスを与えるが,その構造は移動に関係のないタスクのパフォーマンスを阻害する可能性がある。
  論文  参考訳（メタデータ） (2022-09-28T20:25:26Z)
• Programming molecular systems to emulate a learning spiking neuron [1.2707050104493216]
  ヘビアン理論は、脳のニューロンが刺激にどのように適応し、学習を可能にするかを説明する。 本稿では, 分子系が, プロト・インテリジェントな振る舞いを示すためにどのように設計できるかを考察する。 任意に多くの入力チャネルにまたがる自律的なヘビアン学習を示す最初の化学反応ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-05-09T09:21:40Z)
• Can the brain use waves to solve planning problems? [62.997667081978825]
  このような課題を解くニューラルネットワークモデルを提案する。 このモデルは、哺乳類の新皮質と海馬に関する幅広い実験的な発見と互換性がある。
  論文  参考訳（メタデータ） (2021-10-11T11:07:05Z)
• A synthetic biology approach for the design of genetic algorithms with bacterial agents [0.0]
  合成細菌によって全てのステップが実行される進化的アルゴリズムの設計の斬新さとして紹介する。 結果は、合成生物学の原理、メカニズム、遺伝回路から着想を得た進化的アルゴリズムの可能性が開かれた。
  論文  参考訳（メタデータ） (2021-01-19T09:59:33Z)

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。