論文の概要: An Active Inference perspective on Neurofeedback Training

• arxiv url: http://arxiv.org/abs/2505.03308v1
• Date: Tue, 06 May 2025 08:41:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.270428
• Title: An Active Inference perspective on Neurofeedback Training
• Title（参考訳）: 神経フィードバックトレーニングにおけるアクティブ推論の視点
• Authors: Côme Annicchiarico, Fabien Lotte, Jérémie Mattout,
• Abstract要約: Neurofeedback Training (NFT)は、リアルタイムフィードバックを通じて脳活動の自己制御を教えることを目的としている。 NFTは、非常に可変な結果と、十分に理解されていないメカニズムに悩まされ、その検証を妨げている。 NFT閉ループの形式的計算モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.6008132390640294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurofeedback training (NFT) aims to teach self-regulation of brain activity through real-time feedback, but suffers from highly variable outcomes and poorly understood mechanisms, hampering its validation. To address these issues, we propose a formal computational model of the NFT closed loop. Using Active Inference, a Bayesian framework modelling perception, action, and learning, we simulate agents interacting with an NFT environment. This enables us to test the impact of design choices (e.g., feedback quality, biomarker validity) and subject factors (e.g., prior beliefs) on training. Simulations show that training effectiveness is sensitive to feedback noise or bias, and to prior beliefs (highlighting the importance of guiding instructions), but also reveal that perfect feedback is insufficient to guarantee high performance. This approach provides a tool for assessing and predicting NFT variability, interpret empirical data, and potentially develop personalized training protocols.
• Abstract（参考訳）: ニューロフィードバックトレーニング(NFT)は、リアルタイムフィードバックを通じて脳活動の自己制御を教えることを目的としているが、高度に変動した結果と理解の不十分なメカニズムに悩まされ、その検証を妨げている。 これらの問題に対処するため,NFT閉ループの形式的計算モデルを提案する。 知覚,行動,学習をモデル化するベイズ的フレームワークであるActive Inferenceを用いて,NFT環境と相互作用するエージェントをシミュレートする。 これにより、デザイン選択(フィードバック品質、バイオマーカーの妥当性)と主観的要因(例えば、事前の信念)がトレーニングに与える影響をテストすることができる。 シミュレーションでは、トレーニングの有効性はフィードバックノイズやバイアスに敏感であり、事前の信念(指導指導の重要性を強調している)に敏感であることに加えて、完全なフィードバックがハイパフォーマンスを保証するには不十分であることも示している。 このアプローチは、NFT変数の評価と予測、経験的データを解釈、パーソナライズされたトレーニングプロトコルを開発するためのツールを提供する。

関連論文リスト

• Impact of Evidence Theory Uncertainty on Training Object Detection Models [3.447848701446987]
  エビデンス理論は、基底の真理ラベルと予測の関係を確立するために用いられる。 その後、不確実性尺度を使用して、その後の反復に対するフィードバック損失を重み付けする。
  論文  参考訳（メタデータ） (2024-12-23T09:16:10Z)
• Feature Perturbation Augmentation for Reliable Evaluation of Importance Estimators in Neural Networks [5.439020425819001]
  ポストホック解釈可能性法は、ディープニューラルネットワークの内部動作をより解釈可能にしようとする。 最も一般的な評価フレームワークの1つは、解釈可能性メソッドによって重要とみなされる機能を摂動させることである。 モデルトレーニング中に摂動画像を生成し,付加する特徴摂動増強(FPA)を提案する。
  論文  参考訳（メタデータ） (2023-03-02T19:05:46Z)
• Minimizing Control for Credit Assignment with Strong Feedback [65.59995261310529]
  ディープニューラルネットワークにおける勾配に基づくクレジット割り当ての現在の手法は、無限小のフィードバック信号を必要とする。 我々は、神経活動に対する強いフィードバックと勾配に基づく学習を組み合わせることで、ニューラルネットワークの最適化に関する新たな視点を自然に導き出すことを示す。 DFCにおける強いフィードバックを用いることで、空間と時間において完全に局所的な学習規則を用いることで、前向きとフィードバックの接続を同時に学習できることを示す。
  論文  参考訳（メタデータ） (2022-04-14T22:06:21Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Explain, Edit, and Understand: Rethinking User Study Design for Evaluating Model Explanations [97.91630330328815]
  我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。 単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
  論文  参考訳（メタデータ） (2021-12-17T18:29:56Z)
• 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)
• Efficient Estimation of Influence of a Training Instance [56.29080605123304]
  本稿では,ニューラルネットワークモデルに対するトレーニングインスタンスの影響を効率的に推定する手法を提案する。 このメソッドは、サブネットワークをゼロマスクし、サブネットワークが各トレーニングインスタンスを学習するのを防ぎます。 提案手法は, 学習の影響を捉え, 誤り予測の解釈性を高め, 一般化改善のための訓練データセットをクリーン化できることを実証する。
  論文  参考訳（メタデータ） (2020-12-08T04:31:38Z)

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。