論文の概要: Murine AI excels at cats and cheese: Structural differences between human and mouse neurons and their implementation in generative AIs

• arxiv url: http://arxiv.org/abs/2410.20735v1
• Date: Mon, 28 Oct 2024 04:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:20:59.566021
• Title: Murine AI excels at cats and cheese: Structural differences between human and mouse neurons and their implementation in generative AIs
• Title（参考訳）: ネコとチーズにおけるマリンAIの優れた発現 : ヒトとマウスの神経細胞の構造的差異と遺伝子型AIにおけるその実装
• Authors: Rino Saiga, Kaede Shiga, Yo Maruta, Chie Inomoto, Hiroshi Kajiwara, Naoya Nakamura, Yu Kakimoto, Yoshiro Yamamoto, Masahiro Yasutake, Masayuki Uesugi, Akihisa Takeuchi, Kentaro Uesugi, Yasuko Terada, Yoshio Suzuki, Viktor Nikitin, Vincent De Andrade, Francesco De Carlo, Yuichi Yamashita, Masanari Itokawa, Soichiro Ide, Kazutaka Ikeda, Ryuta Mizutani,
• Abstract要約: マウス前頭前皮質の脳組織のナノスケール3次元構造を解析した。 その結果、マウスの神経細胞ソマタは小さく、神経突起はヒトのニューロンよりも薄いことが示唆された。 我々は,このマウス模倣制約をGAN(Generative Adversarial Network)とDDIM(Denoising diffusion implicit model)の畳み込み層に実装した。 マウス・ミメティックGANは、猫の顔とチーズの写真データセットを使用して画像生成タスクにおいて標準のGANを上回りましたが、人間の顔や鳥には不十分でした。
• 参考スコア（独自算出の注目度）: 0.161955895606044
• License:
• Abstract: Mouse and human brains have different functions that depend on their neuronal networks. In this study, we analyzed nanometer-scale three-dimensional structures of brain tissues of the mouse medial prefrontal cortex and compared them with structures of the human anterior cingulate cortex. The obtained results indicated that mouse neuronal somata are smaller and neurites are thinner than those of human neurons. These structural features allow mouse neurons to be integrated in the limited space of the brain, though thin neurites should suppress distal connections according to cable theory. We implemented this mouse-mimetic constraint in convolutional layers of a generative adversarial network (GAN) and a denoising diffusion implicit model (DDIM), which were then subjected to image generation tasks using photo datasets of cat faces, cheese, human faces, and birds. The mouse-mimetic GAN outperformed a standard GAN in the image generation task using the cat faces and cheese photo datasets, but underperformed for human faces and birds. The mouse-mimetic DDIM gave similar results, suggesting that the nature of the datasets affected the results. Analyses of the four datasets indicated differences in their image entropy, which should influence the number of parameters required for image generation. The preferences of the mouse-mimetic AIs coincided with the impressions commonly associated with mice. The relationship between the neuronal network and brain function should be investigated by implementing other biological findings in artificial neural networks.
• Abstract（参考訳）: マウスとヒトの脳は神経ネットワークに依存する異なる機能を持つ。 本研究では,マウス前頭前皮質の脳組織のナノスケール3次元構造を解析し,ヒト前帯状皮質の構造と比較した。 その結果、マウスの神経細胞ソマタは小さく、神経突起はヒトのニューロンよりも薄いことが示唆された。 これらの構造的特徴により、マウスニューロンは脳の限られた空間に統合できるが、細い神経突起はケーブル理論による遠位接続を抑える必要がある。 我々は, 猫の顔, チーズ, 人間の顔, 鳥の画像データセットを用いて, 画像生成タスクを施したGAN(Generative Adversarial Network)とDDIM(Denoising diffusion implicit model)の畳み込み層に, このマウス模倣制約を実装した。 マウス・ミメティックGANは、猫の顔とチーズの写真データセットを使用して画像生成タスクにおいて標準のGANを上回りましたが、人間の顔や鳥には不十分でした。 マウス・ミメティックDDIMも同様の結果を出し、データセットの性質が結果に影響を及ぼしたことを示唆した。 4つのデータセットの分析から、画像エントロピーの違いが示され、画像生成に必要なパラメータの数に影響を与えることが示唆された。 マウス・ミメティックAIの嗜好は、マウスに共通する印象と一致した。 神経ネットワークと脳機能の関係は, 人工神経ネットワークにおける他の生物学的知見を用いて検討すべきである。

関連論文リスト

• 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)
• Neuronal Cell Type Classification using Deep Learning [3.3517146652431378]
  機械学習の最近の進歩は、ニューロンを分類する高度な能力を提供してきた。 本研究の目的は,脳の電気生理学的活動に基づいてニューロンを分類する,堅牢で説明可能なディープラーニングフレームワークを提供することである。
  論文  参考訳（メタデータ） (2023-06-01T10:28:49Z)
• Deep Spiking Neural Networks with High Representation Similarity Model Visual Pathways of Macaque and Mouse [17.545204435882816]
  スパイクニューラルネットワーク(SNN)は、スパイクニューロンがスパイクの時系列で情報をエンコードしているため、生物学的に妥当なモデルである。 本研究では,視覚野を深部SNNで初めてモデル化し,また最先端の深部CNNとViTで比較した。 SNNのほぼ全ての類似度スコアは、平均6.6%のCNNよりも高い。
  論文  参考訳（メタデータ） (2023-03-09T13:07:30Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Deep Auto-encoder with Neural Response [8.797970797884023]
  ニューラルレスポンス(DAE-NR)を用いたディープオートエンコーダと呼ばれるハイブリッドモデルを提案する。 DAE-NRは、視覚野からの情報をANNに組み込んで、より優れた画像再構成と、生物学的および人工ニューロン間の高い神経表現類似性を実現する。 DAE-NRは, 共同学習によって(画像再構成の性能の向上) 生体ニューロンと人工ニューロンとの表現的類似性の向上が可能であることを実証した。
  論文  参考訳（メタデータ） (2021-11-30T11:44:17Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Neuroevolution of a Recurrent Neural Network for Spatial and Working Memory in a Simulated Robotic Environment [57.91534223695695]
  我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。 提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
  論文  参考訳（メタデータ） (2021-02-25T02:13:52Z)
• Fooling the primate brain with minimal, targeted image manipulation [67.78919304747498]
  本稿では、行動に反映される神経活動と知覚の両方の変化をもたらす、最小限の標的画像摂動を生成するための一連の手法を提案する。 我々の研究は、敵対的攻撃、すなわち最小限のターゲットノイズによる画像の操作で同じ目標を共有し、ANNモデルに画像の誤分類を誘導する。
  論文  参考訳（メタデータ） (2020-11-11T08:30:54Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。