論文の概要: Mice to Machines: Neural Representations from Visual Cortex for Domain Generalization
- arxiv url: http://arxiv.org/abs/2505.06886v1
- Date: Sun, 11 May 2025 07:37:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:49.092893
- Title: Mice to Machines: Neural Representations from Visual Cortex for Domain Generalization
- Title（参考訳）: マウスからマシン: ドメインの一般化のための視覚皮質からの神経表現
- Authors: Ahmed Qazi, Hamd Jalil, Asim Iqbal,
- Abstract要約: 対象分類タスクにおけるマウス視覚野と深層学習モデルの機能的アライメントについて検討する。
本研究は,マウス視覚野の機能的構造と深層学習モデルを比較するための新しい枠組みを提案する。
我々の研究は、マウス視覚野からインスピレーションを受ける高度なAIモデルの開発に幅広い意味を持っている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The mouse is one of the most studied animal models in the field of systems neuroscience. Understanding the generalized patterns and decoding the neural representations that are evoked by the diverse range of natural scene stimuli in the mouse visual cortex is one of the key quests in computational vision. In recent years, significant parallels have been drawn between the primate visual cortex and hierarchical deep neural networks. However, their generalized efficacy in understanding mouse vision has been limited. In this study, we investigate the functional alignment between the mouse visual cortex and deep learning models for object classification tasks. We first introduce a generalized representational learning strategy that uncovers a striking resemblance between the functional mapping of the mouse visual cortex and high-performing deep learning models on both top-down (population-level) and bottom-up (single cell-level) scenarios. Next, this representational similarity across the two systems is further enhanced by the addition of Neural Response Normalization (NeuRN) layer, inspired by the activation profile of excitatory and inhibitory neurons in the visual cortex. To test the performance effect of NeuRN on real-world tasks, we integrate it into deep learning models and observe significant improvements in their robustness against data shifts in domain generalization tasks. Our work proposes a novel framework for comparing the functional architecture of the mouse visual cortex with deep learning models. Our findings carry broad implications for the development of advanced AI models that draw inspiration from the mouse visual cortex, suggesting that these models serve as valuable tools for studying the neural representations of the mouse visual cortex and, as a result, enhancing their performance on real-world tasks.
- Abstract（参考訳）: マウスは神経科学の分野で最も研究されている動物モデルの一つである。
一般化されたパターンを理解し、マウス視覚野における様々な自然シーン刺激によって誘発される神経表現をデコードすることは、コンピュータビジョンにおける鍵となる課題の1つである。
近年では、霊長類視覚野と階層的な深層神経回路の間に重要な平行線が引かれている。
しかし、マウスの視力理解における一般的な効果は限られている。
本研究では,マウス視覚野と物体分類タスクにおける深層学習モデルの機能的アライメントについて検討した。
まず、マウス視覚野の機能マッピングと、トップダウン(人口レベル)とボトムアップ(単細胞レベル)の両方のシナリオにおけるハイパフォーマンスディープラーニングモデルとの顕著な類似性を明らかにする。
次に、この2つの系にまたがる表現的類似性は、視覚野における興奮ニューロンと抑制ニューロンの活性化プロファイルにインスパイアされたニューラル応答正規化(NeuRN)層の追加によってさらに強化される。
実世界のタスクに対するNeuRNの性能効果をテストするため、我々はそれをディープラーニングモデルに統合し、ドメイン一般化タスクにおけるデータシフトに対する堅牢性を大幅に改善する。
本研究は,マウス視覚野の機能的構造と深層学習モデルを比較するための新しい枠組みを提案する。
我々の研究は、マウス視覚野からインスピレーションを受ける高度なAIモデルの開発に幅広い意味を持ち、これらのモデルがマウス視覚野の神経表現を研究する貴重なツールとなり、結果として、実際のタスクにおけるそれらのパフォーマンスを向上させることを示唆している。
関連論文リスト
- NeuRN: Neuro-inspired Domain Generalization for Image Classification [0.0]
哺乳類の視覚野のニューロンからインスピレーションを受ける神経誘発ニューラルレスポンスノーマライゼーション(Neural Response Normalization)層を導入する。
画像分類タスクにおけるベースラインに対する改善を示すことにより,NeuRNの有効性を実証した。
論文 参考訳（メタデータ） (2025-05-11T07:20:11Z) - V1T: large-scale mouse V1 response prediction using a Vision Transformer [1.5703073293718952]
動物間における視覚的・行動的表現の共有を学習するビジョントランスフォーマーに基づく新しいアーキテクチャであるV1Tを紹介する。
マウスの一次視覚野から記録された2つの大きなデータセットを用いて、我々のモデルを評価し、予測性能を12.7%以上向上させた。
論文 参考訳（メタデータ） (2023-02-06T18:58:38Z) - The Sensorium competition on predicting large-scale mouse primary visual
cortex activity [28.272130531998936]
本稿では,マウス視覚システムの最先端モデルを特定するために,Sensiumベンチマークコンペティションを提案する。
28,000以上のニューロンの反応を含むマウス一次視覚野から大規模なデータセットを収集した。
ベンチマークの課題は、保持されたテストセット上での神経反応の予測性能に基づいて、モデルをランク付けする。
論文 参考訳（メタデータ） (2022-06-17T10:09:57Z) - Top-down inference in an early visual cortex inspired hierarchical
Variational Autoencoder [0.0]
我々は変分オートエンコーダの進歩を利用して、自然画像に基づいて訓練された疎い符号化階層型VAEを用いて、初期視覚野を調査する。
一次および二次視覚皮質に見られるものと類似した表現は、軽度の誘導バイアスの下で自然に現れる。
生成モデルを用いた2つの計算のシグネチャに対して,ニューロサイエンスに着想を得た認識モデルの選択が重要であることを示す。
論文 参考訳（メタデータ） (2022-06-01T12:21:58Z) - Prune and distill: similar reformatting of image information along rat
visual cortex and deep neural networks [61.60177890353585]
深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。
ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。
我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
論文 参考訳（メタデータ） (2022-05-27T08:06:40Z) - 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) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳（メタデータ） (2021-12-02T12:45:46Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - Deep Reinforcement Learning Models Predict Visual Responses in the
Brain: A Preliminary Result [1.0323063834827415]
強化学習を用いてニューラルネットワークモデルをトレーニングし、3Dコンピュータゲームをプレイします。
これらの強化学習モデルは、初期視覚領域において、神経応答予測精度のスコアを得る。
対照的に、教師付きニューラルネットワークモデルでは、より高い視覚領域において、より優れた神経応答予測が得られる。
論文 参考訳（メタデータ） (2021-06-18T13:10:06Z) - Fooling the primate brain with minimal, targeted image manipulation [67.78919304747498]
本稿では、行動に反映される神経活動と知覚の両方の変化をもたらす、最小限の標的画像摂動を生成するための一連の手法を提案する。
我々の研究は、敵対的攻撃、すなわち最小限のターゲットノイズによる画像の操作で同じ目標を共有し、ANNモデルに画像の誤分類を誘導する。
論文 参考訳（メタデータ） (2020-11-11T08:30:54Z) - Muti-view Mouse Social Behaviour Recognition with Deep Graphical Model [124.26611454540813]
マウスの社会的行動分析は神経変性疾患の治療効果を評価する貴重なツールである。
マウスの社会行動の豊かな記述を創出する可能性から、ネズミの観察にマルチビュービデオ記録を使用することは、ますます注目を集めている。
本稿では,ビュー固有のサブ構造とビュー共有サブ構造を協調的に学習する,新しい多視点潜在意識・動的識別モデルを提案する。
論文 参考訳（メタデータ） (2020-11-04T18:09:58Z)
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。