論文の概要: Quantum-Brain: Quantum-Inspired Neural Network Approach to Vision-Brain Understanding
- arxiv url: http://arxiv.org/abs/2411.13378v1
- Date: Wed, 20 Nov 2024 14:59:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-21 16:12:02.523531
- Title: Quantum-Brain: Quantum-Inspired Neural Network Approach to Vision-Brain Understanding
- Title（参考訳）: 量子脳:視覚脳理解のための量子インスパイアされたニューラルネットワークアプローチ
- Authors: Hoang-Quan Nguyen, Xuan-Bac Nguyen, Hugh Churchill, Arabinda Kumar Choudhary, Pawan Sinha, Samee U. Khan, Khoa Luu,
- Abstract要約: 視覚脳理解は、人間の知覚から脳信号に関する意味情報を抽出することを目的としている。
本稿では、視覚脳理解問題に対処する量子インスパイアされたニューラルネットワークを提案する。
提案手法は,fMRIボクセル間の接続性を学習し,人間の知覚から得られる意味情報を強化する。
- 参考スコア（独自算出の注目度）: 7.943955873234841
- License:
- Abstract: Vision-brain understanding aims to extract semantic information about brain signals from human perceptions. Existing deep learning methods for vision-brain understanding are usually introduced in a traditional learning paradigm missing the ability to learn the connectivities between brain regions. Meanwhile, the quantum computing theory offers a new paradigm for designing deep learning models. Motivated by the connectivities in the brain signals and the entanglement properties in quantum computing, we propose a novel Quantum-Brain approach, a quantum-inspired neural network, to tackle the vision-brain understanding problem. To compute the connectivity between areas in brain signals, we introduce a new Quantum-Inspired Voxel-Controlling module to learn the impact of a brain voxel on others represented in the Hilbert space. To effectively learn connectivity, a novel Phase-Shifting module is presented to calibrate the value of the brain signals. Finally, we introduce a new Measurement-like Projection module to present the connectivity information from the Hilbert space into the feature space. The proposed approach can learn to find the connectivities between fMRI voxels and enhance the semantic information obtained from human perceptions. Our experimental results on the Natural Scene Dataset benchmarks illustrate the effectiveness of the proposed method with Top-1 accuracies of 95.1% and 95.6% on image and brain retrieval tasks and an Inception score of 95.3% on fMRI-to-image reconstruction task. Our proposed quantum-inspired network brings a potential paradigm to solving the vision-brain problems via the quantum computing theory.
- Abstract（参考訳）: 視覚脳理解は、人間の知覚から脳信号に関する意味情報を抽出することを目的としている。
視覚脳理解のための既存のディープラーニング手法は、通常、脳領域間の接続性を学習する能力が欠如している伝統的な学習パラダイムで導入される。
一方、量子コンピューティング理論はディープラーニングモデルを設計するための新しいパラダイムを提供する。
量子コンピューティングにおける脳信号の結合性と絡み合い特性に動機付けられ,視覚脳理解問題に対処するための量子脳ニューラルネットワークである量子脳アプローチを提案する。
脳信号の領域間の接続性を計算するために,新しい量子インスパイアされたVoxel-Controllingモジュールを導入し,Hilbert空間に表される他の領域に対する脳のボクセルの影響を学習する。
接続性を効果的に学習するために、新しい位相シフトモジュールが提示され、脳信号の値を校正する。
最後に,Hilbert空間からの接続情報を特徴空間に提示する,測定ライクなプロジェクションモジュールを提案する。
提案手法は,fMRIボクセル間の接続性を学習し,人間の知覚から得られる意味情報を強化する。
Inception score of 95.3% on fMRI-to-image reconstruction task。Nature Scene Dataset benchmarks on the experimental results on the experimental results on the proposed method with Top-1 accuracies of 95.1% and 95.6% on image and brain search task and an Inception score of 95.3% on fMRI-to-image reconstruction task。
提案した量子インスピレーションネットワークは、量子コンピューティング理論を通じて視覚脳問題を解決するための潜在的なパラダイムをもたらす。
関連論文リスト
- Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - Quantum-Inspired Neural Network Model of Optical Illusions [0.0]
我々は、ネッカーキューブに対する人間の認識をシミュレートするために、ディープニューラルネットワークモデルを訓練する。
我々の研究結果は、無人航空機の宇宙飛行士やオペレーターの訓練に使用されるビデオゲームや仮想現実システムに応用される。
論文 参考訳（メタデータ） (2023-12-06T12:10:56Z) - 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) - Deep Quantum Graph Dreaming: Deciphering Neural Network Insights into
Quantum Experiments [0.5242869847419834]
ニューラルネットワークが量子光学実験で何を学ぶかを調べるために、$inception$または$deep$$dreaming$というテクニックを使用します。
私たちのストーリーは、量子システムの特性に関するディープニューラルネットワークのトレーニングから始まります。
ネットワークは、量子システムの特性の初期分布をシフトすることができ、ニューラルネットワークの学習戦略を概念化できる。
論文 参考訳（メタデータ） (2023-09-13T16:13:54Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳（メタデータ） (2023-08-22T09:11:53Z) - A Quantum-Classical Model of Brain Dynamics [62.997667081978825]
混合ワイル記号は、脳の過程を顕微鏡レベルで記述するために用いられる。
プロセスに関与する電磁場とフォノンモードは古典的または半古典的に扱われる。
ゼロ点量子効果は、各フィールドモードの温度を制御することで数値シミュレーションに組み込むことができる。
論文 参考訳（メタデータ） (2023-01-17T15:16:21Z) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳（メタデータ） (2022-12-08T15:16:04Z) - NeuroCartography: Scalable Automatic Visual Summarization of Concepts in
Deep Neural Networks [18.62960153659548]
NeuroCartographyは、ニューラルネットワークで学んだ概念を要約し視覚化するインタラクティブシステムである。
同じ概念を検知するニューロンを自動的に発見し、グループ化する。
このようなニューロン群がどのように相互作用し、より高いレベルの概念とその後の予測を形成するかを記述する。
論文 参考訳（メタデータ） (2021-08-29T22:43:52Z) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳（メタデータ） (2021-03-08T17:24:29Z) - Markovian Quantum Neuroevolution for Machine Learning [0.0]
本稿では,機械学習タスクに最適な量子ニューラルネットワークを自律的に見つける量子神経進化アルゴリズムを提案する。
特に、量子回路と有向グラフの1対1マッピングを確立し、適切なゲート列を見つける問題を減らす。
論文 参考訳（メタデータ） (2020-12-30T12:42:38Z) - Quantum neuromorphic computing [2.817412580574242]
量子ニューロモルフィックコンピューティングは、脳にインスパイアされた量子ハードウェアにニューラルネットワークを物理的に実装し、計算を高速化する。
いくつかのアプローチはパラメタライズド量子回路に基づいており、ニューラルネットワークにインスパイアされたアルゴリズムを使ってトレーニングしている。
論文 参考訳（メタデータ） (2020-06-26T17:18:54Z)
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。