論文の概要: Uncertainty Quantification in Working Memory via Moment Neural Networks

• arxiv url: http://arxiv.org/abs/2411.14196v1
• Date: Thu, 21 Nov 2024 15:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:19:31.990212
• Title: Uncertainty Quantification in Working Memory via Moment Neural Networks
• Title（参考訳）: モーメントニューラルネットワークによるワーキングメモリの不確かさの定量化
• Authors: Hengyuan Ma, Wenlian Lu, Jianfeng Feng,
• Abstract要約: 人間は、潜在的なエラーを予測するのに役立つ、微調整された不確実性を持っている。 本研究では、モーメントニューラルネットワークを用いて、動作記憶における不確実性定量化の神経機構を探索する。
• 参考スコア（独自算出の注目度）: 8.064442892805843
• License:
• Abstract: Humans possess a finely tuned sense of uncertainty that helps anticipate potential errors, vital for adaptive behavior and survival. However, the underlying neural mechanisms remain unclear. This study applies moment neural networks (MNNs) to explore the neural mechanism of uncertainty quantification in working memory (WM). The MNN captures nonlinear coupling of the first two moments in spiking neural networks (SNNs), identifying firing covariance as a key indicator of uncertainty in encoded information. Trained on a WM task, the model demonstrates coding precision and uncertainty quantification comparable to human performance. Analysis reveals a link between the probabilistic and sampling-based coding for uncertainty representation. Transferring the MNN's weights to an SNN replicates these results. Furthermore, the study provides testable predictions demonstrating how noise and heterogeneity enhance WM performance, highlighting their beneficial role rather than being mere biological byproducts. These findings offer insights into how the brain effectively manages uncertainty with exceptional accuracy.
• Abstract（参考訳）: 人間は、潜在的なエラーを予測し、適応的な行動と生存に不可欠な、微調整された不確実性を持っている。 しかし、根底にある神経機構はいまだ不明である。 本研究では、モーメントニューラルネットワーク(MNN)を用いて、ワーキングメモリ(WM)における不確実性定量化の神経機構を探索する。 MNNは、スパイクニューラルネットワーク(SNN)の最初の2つのモーメントの非線形結合を捉え、符号化された情報の不確実性を示す重要な指標として、発火共分散を識別する。 WMタスクに基づいてトレーニングされたこのモデルは、人間のパフォーマンスに匹敵する符号化精度と不確実性定量化を示す。 解析により,不確実性表現のための確率的符号化とサンプリングに基づく符号化の関連が明らかになった。 MNNの重みをSNNに転送すると、これらの結果が複製される。 さらに、この研究は、ノイズと不均一性がWMパフォーマンスをいかに促進するかを示すテスト可能な予測を提供し、生物学的副産物であるよりも、彼らの有益な役割を強調している。 これらの発見は、脳が異常な精度で効果的に不確実性を管理する方法についての洞察を与える。

関連論文リスト

• Cognitive Networks and Performance Drive fMRI-Based State Classification Using DNN Models [0.0]
  我々は、個々の認知状態を分類するために、構造的に異なる2つのDNNモデルと相補的なDNNモデルを用いる。 アーキテクチャ上の違いにもかかわらず、両者のモデルが常に予測精度と個人の認知性能との間に堅牢な関係を生んでいることを示す。
  論文  参考訳（メタデータ） (2024-08-14T15:25:51Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• Toward stochastic neural computing [11.955322183964201]
  本稿では,ノイズ入力のストリームをスパイキングニューロンの集団によって変換し,処理するニューラルコンピューティングの理論を提案する。 本手法をIntelのLoihiニューロモルフィックハードウェアに適用する。
  論文  参考訳（メタデータ） (2023-05-23T12:05:35Z)
• Efficient Uncertainty Estimation in Spiking Neural Networks via MC-dropout [3.692069129522824]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンのスパースとイベント駆動通信のモデルとして注目されている。 SNNにおける不確実性推定のための効率的なモンテカルロ・ドロップアウト手法を提案する。
  論文  参考訳（メタデータ） (2023-04-20T10:05:57Z)
• An out-of-distribution discriminator based on Bayesian neural network epistemic uncertainty [0.19573380763700712]
  ベイズニューラルネットワーク(Bayesian Neural Network, BNN)は、不確実性を定量化するための組み込み能力を備えた、重要なタイプのニューラルネットワークである。 本稿では,BNNにおける失語症およびてんかんの不確実性とその計算方法について論じる。
  論文  参考訳（メタデータ） (2022-10-18T21:15:33Z)
• Variational Neural Networks [88.24021148516319]
  本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。 VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。 不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-04T15:41:02Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Bayesian Neural Networks [0.0]
  ニューラルネットワークによる予測におけるエラーを原理的に得る方法を示し、これらのエラーを特徴付ける2つの方法を提案する。 さらに、これらの2つのメソッドが実際に実施される際に、重大な落とし穴を持つ方法についても説明します。
  論文  参考訳（メタデータ） (2020-06-02T09:43:00Z)

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。