論文の概要: Continual Learning of Multiple Cognitive Functions with Brain-inspired Temporal Development Mechanism
- arxiv url: http://arxiv.org/abs/2504.05621v1
- Date: Tue, 08 Apr 2025 02:36:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-09 13:30:16.552574
- Title: Continual Learning of Multiple Cognitive Functions with Brain-inspired Temporal Development Mechanism
- Title（参考訳）: 脳にインスパイアされた時間発達機構を持つ複数認知機能の連続的学習
- Authors: Bing Han, Feifei Zhao, Yinqian Sun, Wenxuan Pan, Yi Zeng,
- Abstract要約: 人間の脳は、非常に低いエネルギー消費で数百の認知機能を継続的に学習することができる。
脳にインスパイアされた時間発達メカニズムを用いた認知機能の連続学習を提案する。
提案手法は,正規化やリプレイ,凍結といった戦略を導入することなく,ネットワーク規模を削減しつつ連続的な学習能力を実現する。
- 参考スコア（独自算出の注目度）: 10.368223587448382
- License:
- Abstract: Cognitive functions in current artificial intelligence networks are tied to the exponential increase in network scale, whereas the human brain can continuously learn hundreds of cognitive functions with remarkably low energy consumption. This advantage is in part due to the brain cross-regional temporal development mechanisms, where the progressive formation, reorganization, and pruning of connections from basic to advanced regions, facilitate knowledge transfer and prevent network redundancy. Inspired by these, we propose the Continual Learning of Multiple Cognitive Functions with Brain-inspired Temporal Development Mechanism(TD-MCL), enabling cognitive enhancement from simple to complex in Perception-Motor-Interaction(PMI) multiple cognitive task scenarios. The TD-MCL model proposes the sequential evolution of long-range connections between different cognitive modules to promote positive knowledge transfer, while using feedback-guided local connection inhibition and pruning to effectively eliminate redundancies in previous tasks, reducing energy consumption while preserving acquired knowledge. Experiments show that the proposed method can achieve continual learning capabilities while reducing network scale, without introducing regularization, replay, or freezing strategies, and achieving superior accuracy on new tasks compared to direct learning. The proposed method shows that the brain's developmental mechanisms offer a valuable reference for exploring biologically plausible, low-energy enhancements of general cognitive abilities.
- Abstract（参考訳）: 現在の人工知能ネットワークにおける認知機能は、ネットワークスケールの指数的な増加と結びついているが、人間の脳は、極めて少ないエネルギー消費で数百の認知機能を継続的に学習することができる。
この利点は、部分的には脳の横断的な時間的発達機構によるもので、基本的な領域から先進領域への接続の進行的形成、再編成、切断が知識伝達を促進し、ネットワークの冗長性を防ぐ。
これらに触発されて,脳に触発された時間的発達機構(TD-MCL)による認知機能の継続学習を提案し,知覚運動相互作用(PMI)におけるシンプルから複雑への認知の強化を実現する。
TD-MCLモデルは、フィードバック誘導による局所的接続阻害とプルーニングを用いて、前処理における冗長性を効果的に排除し、獲得した知識を保ちながらエネルギー消費を削減しながら、異なる認知モジュール間の長距離接続を逐次進化させ、正の知識伝達を促進することを提案する。
実験により,提案手法は,正規化やリプレイ,凍結戦略を導入することなく,ネットワーク規模を削減しつつ連続的な学習能力を実現することができ,直接学習と比較して,新たなタスクにおいて優れた精度を実現することができることがわかった。
提案手法は、脳の発達メカニズムが、認知能力の生物学的に可塑性で低エネルギーな拡張を探索するための貴重な基準であることを示す。
関連論文リスト
- Cognitive AI framework: advances in the simulation of human thought [0.0]
Human Cognitive Simulation Frameworkは、人間の認知能力を人工知能システムに統合する大きな進歩を表している。
短期記憶(会話コンテキスト)、長期記憶(対話コンテキスト)、高度な認知処理、効率的な知識管理を融合することにより、コンテキストコヒーレンスと永続的なデータストレージを確保する。
このフレームワークは、継続的学習アルゴリズム、持続可能性、マルチモーダル適応性に関する将来の研究の基礎を築き、Cognitive AIを新興分野におけるトランスフォーメーションモデルとして位置づけている。
論文 参考訳（メタデータ） (2025-02-06T17:43:35Z) - Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳（メタデータ） (2024-09-17T04:48:45Z) - 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) - Learning low-dimensional dynamics from whole-brain data improves task
capture [2.82277518679026]
逐次変分オートエンコーダ(SVAE)を用いたニューラルダイナミクスの低次元近似学習手法を提案する。
本手法は,従来の手法よりも精度の高い認知過程を予測できるスムーズなダイナミクスを見出す。
我々は、モータ、ワーキングメモリ、リレーショナル処理タスクを含む様々なタスクfMRIデータセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2023-05-18T18:43:13Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳（メタデータ） (2023-04-30T22:51:31Z) - A Study of Biologically Plausible Neural Network: The Role and
Interactions of Brain-Inspired Mechanisms in Continual Learning [13.041607703862724]
人間は絶えず変化する環境から情報を取得し、統合し、保持するのに優れていますが、人工ニューラルネットワーク(ANN)は破滅的な忘れ物を示します。
我々は、デイルの原理に従う排他的および抑制的ニューロンの集団を分離して構成する生物学的に妥当な枠組みを考察する。
次に,脳にインスパイアされた様々なメカニズムの役割と相互作用について包括的研究を行い,その内容は,疎密な非重複表現,ヘビアン学習,シナプス統合,学習イベントに伴う過去の活性化の再現などである。
論文 参考訳（メタデータ） (2023-04-13T16:34:12Z) - 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) - CogNGen: Constructing the Kernel of a Hyperdimensional Predictive
Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。
我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文 参考訳（メタデータ） (2022-03-31T04:44:28Z) - Learning by Active Forgetting for Neural Networks [36.47528616276579]
記憶と忘れのメカニズムは、人間の学習記憶システムにおいて、同じコインの2つの側面である。
現代の機械学習システムは、記憶を良くすることで、生涯にわたる学習能力を持つ機械を育むために取り組んできた。
本稿では,ニューラルネットワークを用いた能動的記憶機構による学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-21T14:55:03Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳（メタデータ） (2021-07-10T19:02:27Z) - A brain basis of dynamical intelligence for AI and computational
neuroscience [0.0]
より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。
本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
論文 参考訳（メタデータ） (2021-05-15T19:49:32Z)
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。