論文の概要: A Grid Cell-Inspired Structured Vector Algebra for Cognitive Maps

• arxiv url: http://arxiv.org/abs/2503.08608v1
• Date: Tue, 11 Mar 2025 16:45:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:46:07.038549
• Title: A Grid Cell-Inspired Structured Vector Algebra for Cognitive Maps
• Title（参考訳）: 格子セルにインスパイアされた構造ベクトル代数の認知地図への応用
• Authors: Sven Krausse, Emre Neftci, Friedrich T. Sommer, Alpha Renner,
• Abstract要約: 海馬と海馬の形成は哺乳類の脳のナビゲーションシステムであり、グリッド細胞を介して物理的および抽象的な空間をコードしている。 本稿では,CANとベクトルアーキテクチャ(VSA)にインスパイアされた脳海馬形成における多目的情報処理の力学モデルを提案する。 グリッドセルVSAモデルは、グリッドセルモジュールの離散スケールと配向を模倣した3次元モジュールによる空間的に構造化された符号化方式を採用している。
• 参考スコア（独自算出の注目度）: 4.498459787490856
• License:
• Abstract: The entorhinal-hippocampal formation is the mammalian brain's navigation system, encoding both physical and abstract spaces via grid cells. This system is well-studied in neuroscience, and its efficiency and versatility make it attractive for applications in robotics and machine learning. While continuous attractor networks (CANs) successfully model entorhinal grid cells for encoding physical space, integrating both continuous spatial and abstract spatial computations into a unified framework remains challenging. Here, we attempt to bridge this gap by proposing a mechanistic model for versatile information processing in the entorhinal-hippocampal formation inspired by CANs and Vector Symbolic Architectures (VSAs), a neuro-symbolic computing framework. The novel grid-cell VSA (GC-VSA) model employs a spatially structured encoding scheme with 3D neuronal modules mimicking the discrete scales and orientations of grid cell modules, reproducing their characteristic hexagonal receptive fields. In experiments, the model demonstrates versatility in spatial and abstract tasks: (1) accurate path integration for tracking locations, (2) spatio-temporal representation for querying object locations and temporal relations, and (3) symbolic reasoning using family trees as a structured test case for hierarchical relationships.
• Abstract（参考訳）: 海馬と海馬の形成は哺乳類の脳のナビゲーションシステムであり、グリッド細胞を介して物理的および抽象的な空間をコードしている。 このシステムは神経科学においてよく研究されており、その効率性と汎用性はロボット工学や機械学習の応用に魅力を与えている。 連続アトラクタネットワーク(CAN)は、物理空間を符号化するエントルヒンダルグリッドセルをモデル化することに成功したが、連続空間計算と抽象空間計算の両方を統一されたフレームワークに統合することは困難である。 そこで我々は,脳神経シンボリック・コンピューティング・フレームワークであるCANとベクター・シンボリック・アーキテクチャ(VSA)に触発された脳海馬形成における多目的情報処理の機構モデルを提案することにより,このギャップを埋めようとしている。 新規なグリッドセルVSA (GC-VSA) モデルは、格子セルモジュールの離散スケールと配向を模倣した3次元神経モジュールによる空間的に構造化された符号化スキームを用いて、その特徴的六角形受容野を再現する。 実験では,(1) 位置追跡のための正確な経路積分,(2) 対象位置と時間関係を問合せするための時空間表現,(3) 階層的関係のための構造的テストケースとしての家系木を用いた記号的推論など,空間的・抽象的タスクの汎用性を示す。

関連論文リスト

• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Self Supervised Networks for Learning Latent Space Representations of Human Body Scans and Motions [6.165163123577484]
  本稿では,3次元人体解析・処理の分野におけるいくつかの基本的な問題に対処するために,自己教師型ニューラルネットワークモデルを提案する。 身体形状とポーズの潜在空間表現を検索するための新しいアーキテクチャであるVariShaPEを提案する。 第二に、潜時空間の幾何学を学習するフレームワークであるMoGeNで潜時符号の推定を補完する。
  論文  参考訳（メタデータ） (2024-11-05T19:59:40Z)
• GridPE: Unifying Positional Encoding in Transformers with a Grid Cell-Inspired Framework [6.192516215592685]
  本稿では,フーリエ解析にインスパイアされた新しい位置符号化手法とグリッドセルに関する計算神経科学の最新知見を紹介する。 生物効率の原理に基づく空間多次元空間に対する最適グリッドスケール比を導出する。 我々の理論解析は、GridPEが任意の高次元空間における位置符号化のための統一的なフレームワークを提供することを示している。
  論文  参考訳（メタデータ） (2024-06-11T08:25:11Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Self-Supervised Learning of Representations for Space Generates Multi-Modular Grid Cells [16.208253624969142]
  哺乳類の系統は 顕著な空間表現を発達させました 重要な空間表現の一つがノーベル賞受賞格子細胞である。 ノーベル賞受賞時のグリッド細胞は、自己位置、局所的および周期的な量を表す。
  論文  参考訳（メタデータ） (2023-11-04T03:59:37Z)
• Testing geometric representation hypotheses from simulated place cell recordings [3.1498833540989413]
  海馬の場所細胞は、物理的またはタスク関連空間における動物の空間的位置をコードすることができる。 グラフトポロジーで迷路のゴールノードに移動するラットのユークリッドまたはグラフベースの位置をコードした位置細胞群をシミュレーションした。
  論文  参考訳（メタデータ） (2022-11-16T18:29:17Z)
• Conformal Isometry of Lie Group Representation in Recurrent Network of Grid Cells [52.425628028229156]
  本稿では,リカレントネットワークモデルを用いたグリッドセルの特性について検討する。 グリッドセルの連続的誘引ニューラルネットワークの基盤となる,単純な非線形リカレントモデルに着目する。
  論文  参考訳（メタデータ） (2022-10-06T05:26:49Z)
• Deep Representations for Time-varying Brain Datasets [4.129225533930966]
  本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。 サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。 これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
  論文  参考訳（メタデータ） (2022-05-23T21:57:31Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Neural Topological SLAM for Visual Navigation [112.73876869904]
  意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。 本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2020-05-25T17:56:29Z)

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。