Fugu-MT 論文翻訳(概要): Leveraging Recurrent Neural Networks for Predicting Motor Movements from Primate Motor Cortex Neural Recordings

論文の概要: Leveraging Recurrent Neural Networks for Predicting Motor Movements from Primate Motor Cortex Neural Recordings

arxiv url: http://arxiv.org/abs/2410.22283v1
Date: Tue, 29 Oct 2024 17:36:10 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-30 13:38:43.127393
Title: Leveraging Recurrent Neural Networks for Predicting Motor Movements from Primate Motor Cortex Neural Recordings
Title（参考訳）: プライメートモータ皮質ニューラル記録からの運動予測のためのリカレントニューラルネットワークの活用
Authors: Yuanxi Wang, Zuowen Wang, Shih-Chii Liu,
Abstract要約: 本稿では,非ヒト霊長類の神経記録から運動運動を復号するための効率的な解法を提案する。オートエンコーダ Gated Recurrent Unit (AEGRU) モデルがこのタスクのモデルアーキテクチャとして採用された。
参考スコア（独自算出の注目度）: 8.365349007799296
License:
Abstract: This paper presents an efficient deep learning solution for decoding motor movements from neural recordings in non-human primates. An Autoencoder Gated Recurrent Unit (AEGRU) model was adopted as the model architecture for this task. The autoencoder is only used during the training stage to achieve better generalization. Together with the preprocessing techniques, our model achieved 0.71 $R^2$ score, surpassing the baseline models in Neurobench and is ranked first for $R^2$ in the IEEE BioCAS 2024 Grand Challenge on Neural Decoding. Model pruning is also applied leading to a reduction of 41.4% of the multiply-accumulate (MAC) operations with little change in the $R^2$ score compared to the unpruned model.
Abstract（参考訳）: 本稿では,非ヒト霊長類の神経記録から運動運動を復号するための効率的な深層学習法を提案する。オートエンコーダ Gated Recurrent Unit (AEGRU) モデルがこのタスクのモデルアーキテクチャとして採用された。オートエンコーダは、より良い一般化を達成するためにトレーニング段階でのみ使用される。予備処理技術とともに,我々はNeurobenchのベースラインモデルを上回る0.71ドルR^2$スコアを獲得し,IEEE BioCAS 2024 Grand Challenge on Neural Decodingで1位となった。モデルプルーニングも適用され、乗算累積(MAC)演算の41.4%が削減され、未計算モデルと比較してR^2$スコアがほとんど変化しない。

関連論文リスト

EvSegSNN: Neuromorphic Semantic Segmentation for Event Data [0.6138671548064356]
EvSegSNN は、Parametric Leaky Integrate と Fire のニューロンに依存した、生物学的に検証可能なエンコーダ-デコーダU字型アーキテクチャである。本稿では,スパイキングニューラルネットワークとイベントカメラを組み合わせることによって,エンド・ツー・エンドのバイオインスパイアされたセマンティックセマンティックセマンティクス手法を提案する。 DDD17で実施された実験は、EvSegSNNがMIoUの観点から最も近い最先端モデルを上回っていることを示している。
論文参考訳（メタデータ） (2024-06-20T10:36:24Z)
Latent Variable Double Gaussian Process Model for Decoding Complex Neural Data [0.0]
ガウス過程(GP)のような非パラメトリックモデルは、複素データの解析において有望な結果を示す。 GPモデルに基づくニューラルデコーダモデルを提案する。本稿では,このデコーダモデルの言語記憶実験データセットへの適用例を示す。
論文参考訳（メタデータ） (2024-05-08T20:49:34Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Improving Dual-Encoder Training through Dynamic Indexes for Negative Mining [61.09807522366773]
本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
論文参考訳（メタデータ） (2023-03-27T15:18:32Z)
Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文参考訳（メタデータ） (2022-01-11T20:53:15Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
Reducing the Computational Cost of Deep Generative Models with Binary Neural Networks [25.084146613277973]
バイナリニューラルネットワークを利用した生成モデルのトレーニングに成功していることを示す。これにより、モデルの計算コストが大幅に削減される。本稿では,ResNet VAEモデルとFlow++モデルという,最先端の2つの深層生成モデルについて,これらの手法を効果的にバイナライズできることを実証する。
論文参考訳（メタデータ） (2020-10-26T10:43:28Z)
AutoPruning for Deep Neural Network with Dynamic Channel Masking [28.018077874687343]
深層ニューラルネットワークのための学習に基づくオートプルーニングアルゴリズムを提案する。まず、各層に対する重みと最良チャネルを目的とする2つの目的の問題を定式化する。次に、最適なチャネル数と重みを同時に導出するために、別の最適化手法を提案する。
論文参考訳（メタデータ） (2020-10-22T20:12:46Z)
From Boltzmann Machines to Neural Networks and Back Again [31.613544605376624]
制限ボルツマンマシン(Restricted Boltzmann Machines)は、おそらく最もよく研究されている潜在変数モデルのクラスである。我々の結果は、$ell_infty$bounded inputの下で二層ニューラルネットワークを学習するための新しい接続に基づいている。次に,分散仮定を使わずに,関連するネットワークのクラスに対して可能なものよりも,より優れたランタイムで教師付きRAMの自然なクラスを学習するアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-07-25T00:42:50Z)
REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
論文参考訳（メタデータ） (2020-01-29T17:23:16Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。