論文の概要: Functional connectomes of neural networks

• arxiv url: http://arxiv.org/abs/2412.15279v1
• Date: Wed, 18 Dec 2024 03:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:24:54.131902
• Title: Functional connectomes of neural networks
• Title（参考訳）: ニューラルネットワークの機能的コネクトーム
• Authors: Tananun Songdechakraiwut, Yutong Wu,
• Abstract要約: 本稿では,脳にインスパイアされた技術を活用し,ニューラルネットワークと人間の脳機能を橋渡しする新しい手法を提案する。 我々のアプローチは、安定した統計的および機械学習技術を用いて、大規模ニューラルネットワークのトポロジを特徴付けるスケーラブルな方法を提供する。
• 参考スコア（独自算出の注目度）: 1.272769504154474
• License:
• Abstract: The human brain is a complex system, and understanding its mechanisms has been a long-standing challenge in neuroscience. The study of the functional connectome, which maps the functional connections between different brain regions, has provided valuable insights through various advanced analysis techniques developed over the years. Similarly, neural networks, inspired by the brain's architecture, have achieved notable success in diverse applications but are often noted for their lack of interpretability. In this paper, we propose a novel approach that bridges neural networks and human brain functions by leveraging brain-inspired techniques. Our approach, grounded in the insights from the functional connectome, offers scalable ways to characterize topology of large neural networks using stable statistical and machine learning techniques. Our empirical analysis demonstrates its capability to enhance the interpretability of neural networks, providing a deeper understanding of their underlying mechanisms.
• Abstract（参考訳）: 人間の脳は複雑なシステムであり、そのメカニズムを理解することは神経科学における長年の課題である。 機能的コネクトームの研究は、様々な脳領域間の機能的コネクトームをマッピングし、長年に渡り開発されてきた様々な高度な分析技術を通して貴重な洞察を与えてきた。 同様に、脳のアーキテクチャにインスパイアされたニューラルネットワークは、様々なアプリケーションで顕著な成功を収めてきたが、しばしば解釈可能性の欠如で知られている。 本稿では,脳に触発された技術を活用し,ニューラルネットワークと人間の脳機能を橋渡しする新しい手法を提案する。 我々のアプローチは、関数コネクトームの知見に基づいており、安定した統計的および機械学習技術を用いて、大規模ニューラルネットワークのトポロジを特徴付けるスケーラブルな方法を提供する。 私たちの経験的分析は、ニューラルネットワークの解釈可能性を高める能力を示し、その基盤となるメカニズムをより深く理解します。

関連論文リスト

• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• 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)
• Dynamic Brain Transformer with Multi-level Attention for Functional Brain Network Analysis [33.13374323540953]
  ディープニューラルネットワークの出現は、臨床結果の予測に大きな関心を喚起している。 静的脳ネットワーク解析を含む従来のアプローチは、脳機能のダイナミズムを捉えるのに限られた可能性を秘めている。 本稿では、静的脳ネットワークと動的脳ネットワークを組み合わせて、より効果的でニュアンスの高い脳機能解析を行う新しい手法であるDynamic bRAin Transformer(DART)を提案する。
  論文  参考訳（メタデータ） (2023-09-05T04:17:37Z)
• Brain-inspired learning in artificial neural networks: a review [5.064447369892274]
  人工ニューラルネットワークにおける脳にインスパイアされた学習表現について概説する。 これらのネットワークの能力を高めるために, シナプス可塑性などの生物学的に妥当な機構の統合について検討する。
  論文  参考訳（メタデータ） (2023-05-18T18:34:29Z)
• 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)
• Brain-inspired Graph Spiking Neural Networks for Commonsense Knowledge Representation and Reasoning [11.048601659933249]
  神経科学、認知科学、心理学、人工知能において、人間の脳におけるニューラルネットワークがどのように常識知識を表現するかは重要な研究トピックである。 本研究は, 個体群エンコーディングとスパイクタイミング依存的可塑性(STDP)機構をスパイクニューラルネットワークの学習に組み込む方法について検討する。 異なるコミュニティのニューロン集団は、コモンセンス知識グラフ全体を構成し、巨大なグラフがニューラルネットワークをスパイクする。
  論文  参考訳（メタデータ） (2022-07-11T05:22:38Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Interpretability of Neural Network With Physiological Mechanisms [5.1971653175509145]
  ディープラーニングは、レグレッションと分類タスクの様々な領域で異常な精度を達成した強力な最先端技術として、引き続き機能している。 ニューラルネットワークモデルを最初に提案する目的は、数学的表現アプローチを使用して複雑な人間の脳を理解することを改善することである。 近年のディープラーニング技術は、ブラックボックス近似器として扱われることによって、機能的プロセスの解釈を失う傾向にある。
  論文  参考訳（メタデータ） (2022-03-24T21:40:04Z)
• Neural population geometry: An approach for understanding biological and artificial neural networks [3.4809730725241605]
  生体および人工ニューラルネットワークの機能に関する洞察を提供する幾何学的アプローチの例を概観する。 神経集団幾何学は、生体と人工のニューラルネットワークにおける構造と機能の理解を統一する可能性がある。
  論文  参考訳（メタデータ） (2021-04-14T18:10:34Z)

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。