論文の概要: Place Cells as Multi-Scale Position Embeddings: Random Walk Transition Kernels for Path Planning

• arxiv url: http://arxiv.org/abs/2505.14806v4
• Date: Fri, 24 Oct 2025 22:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.550816
• Title: Place Cells as Multi-Scale Position Embeddings: Random Walk Transition Kernels for Path Planning
• Title（参考訳）: マルチスケール位置埋め込みとしてのプレースセル:経路計画のためのランダムウォーク遷移カーネル
• Authors: Minglu Zhao, Dehong Xu, Deqian Kong, Wen-Hao Zhang, Ying Nian Wu,
• Abstract要約: 海馬は、集合的な場所細胞活動を通じて認知地図を符号化することで、空間ナビゲーションをサポートする。 この枠組みでは、内積または同値な埋め込み間のユークリッド距離は、複数のスケールにわたる遷移確率の観点から、位置間の類似性を符号化する。 非負性性と内産物構造の組み合わせは自然に空間性を誘導し、場所細胞の局所的な発火場を原則的に説明する。
• 参考スコア（独自算出の注目度）: 43.129849610367465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The hippocampus supports spatial navigation by encoding cognitive maps through collective place cell activity. We model the place cell population as non-negative spatial embeddings derived from the spectral decomposition of multi-step random walk transition kernels. In this framework, inner product or equivalently Euclidean distance between embeddings encode similarity between locations in terms of their transition probability across multiple scales, forming a cognitive map of adjacency. The combination of non-negativity and inner-product structure naturally induces sparsity, providing a principled explanation for the localized firing fields of place cells without imposing explicit constraints. The temporal parameter that defines the diffusion scale also determines field size, aligning with the hippocampal dorsoventral hierarchy. Our approach constructs global representations efficiently through recursive composition of local transitions, enabling smooth, trap-free navigation and preplay-like trajectory generation. Moreover, theta phase arises intrinsically as the angular relation between embeddings, linking spatial and temporal coding within a single representational geometry.
• Abstract（参考訳）: 海馬は、集合的な場所細胞活動を通して認知地図を符号化することで空間ナビゲーションをサポートする。 多段階ランダムウォーク遷移核のスペクトル分解から導かれる非負の空間埋め込みとして位置細胞集団をモデル化する。 この枠組みでは、内積または同値な埋め込み間のユークリッド距離は、複数のスケールにわたる遷移確率の観点から位置間の類似性を符号化し、隣接性の認知地図を形成する。 非負性性と内産物構造の組み合わせは自然に空間性を誘導し、明示的な制約を課さずに場所細胞の局所的な発火場を原則的に説明する。 拡散スケールを定義する時間パラメータは、海馬の背腹階層と整合して、フィールドサイズも決定する。 本研究では,局所遷移の帰納的構成によってグローバル表現を効率的に構築し,スムーズでトラップフリーなナビゲーションとプレプレイのような軌道生成を実現する。 さらに、テータ位相は、単一の表現幾何学において空間的および時間的符号化をリンクする埋め込みの間の角関係として本質的に生じる。

関連論文リスト

• Multi-Timescale Gradient Sliding for Distributed Optimization [23.311605203774388]
  凸・非平滑・分散最適化問題に対する2つの一階法を提案する。 我々のMT-GSとATT-GSは、通信ラウンドを減らすために、(局所的な)目的間の類似性を利用することができる。 これら3つの望ましい特徴はブロック分解可能な原始双対の定式化によって達成される。
  論文  参考訳（メタデータ） (2025-06-18T12:03:34Z)
• Displacement-Sparse Neural Optimal Transport [6.968698312185846]
  最適輸送(OT)は、コスト関数を最小化しながら、ある確率測度から別の確率測度へ質量を輸送するマップ$T$を見つけることを目的としている。 ニューラルOTソルバは、薬物摂動などの高次元生物学的応用で人気を博している。 直感的で理論的に基礎を成す手法として,ニューラルOTソルバ内におけるエンファスメント・スパースマップの学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-03T23:44:17Z)
• Demystifying Linear MDPs and Novel Dynamics Aggregation Framework [8.087699764574788]
  線型 MDP において、$d$ は遷移確率を適切に表すために$S/U$ で制限される。 動的アグリゲーション(dynamics aggregate, 動的アグリゲーション)と呼ばれる動的に基づく新しい構造アグリゲーションフレームワークを提案する。 提案アルゴリズムは統計的効率を示し,$ tildeO (d_psi3/2 H3/2sqrt T)$, $d_psi$は集約されたサブMDPの特徴次元を表す。
  論文  参考訳（メタデータ） (2024-10-31T16:21:41Z)
• Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
  我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。 多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
  論文  参考訳（メタデータ） (2024-09-08T13:08:45Z)
• Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
  本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。 我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。 我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-05-10T09:58:47Z)
• Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
  線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。 我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-07T15:03:50Z)
• Nearly Minimax Optimal Regret for Learning Linear Mixture Stochastic Shortest Path [80.60592344361073]
  線形混合遷移カーネルを用いた最短経路(SSP)問題について検討する。 エージェントは繰り返し環境と対話し、累積コストを最小化しながら特定の目標状態に到達する。 既存の作業は、イテレーションコスト関数の厳密な下限や、最適ポリシーに対する期待長の上限を仮定することが多い。
  論文  参考訳（メタデータ） (2024-02-14T07:52:00Z)
• Monge, Bregman and Occam: Interpretable Optimal Transport in High-Dimensions with Feature-Sparse Maps [37.45959537338404]
  我々は、$tau$ のスパース性誘導ノルムを選択すると、Occam のカミソリを輸送に応用する写像が得られることを示した。 本稿では,高次元単細胞転写データに対して有意なマップを推定する手法について紹介する。
  論文  参考訳（メタデータ） (2023-02-08T14:02:34Z)
• DADAO: Decoupled Accelerated Decentralized Asynchronous Optimization [0.0]
  DADAOは、L$-smooth と $mu$-strongly convex 関数の和を最小化する最初の分散化、高速化、非同期化、プライマリ化、一階述語アルゴリズムである。 我々のアルゴリズムは、$mathcalO(nsqrtchisqrtfracLmulog(frac1epsilon)$ localと$mathcalO(nsqrtchisqrtfracLmulog()のみを必要とすることを示す。
  論文  参考訳（メタデータ） (2022-07-26T08:47:54Z)
• Supervised Training of Conditional Monge Maps [107.78770597815242]
  最適輸送(OT)理論は、多くの可能な選択の中から確率測度を他のものにマッピングする最も効率的な方法を定義し、選択する一般的な原理を記述している。 本研究では,コンテキスト変数に条件付きOTマップの族を推定するマルチタスク手法であるCondOTを紹介する。 本研究では,CondOTの遺伝的・治療的摂動の任意の組み合わせが単一細胞に与える影響を推測する能力を示す。
  論文  参考訳（メタデータ） (2022-06-28T19:34:44Z)
• Optimal Gradient Sliding and its Application to Distributed Optimization Under Similarity [121.83085611327654]
  積 $r:=p + q$, ここで$r$は$mu$-strong convex類似性である。 エージェントの通信やローカルコールにマスターされた問題を解決する方法を提案する。 提案手法は$mathcalO(sqrtL_q/mu)$法よりもはるかにシャープである。
  論文  参考訳（メタデータ） (2022-05-30T14:28:02Z)
• Fast and Scalable Optimal Transport for Brain Tractograms [4.610968512889579]
  線形メモリフットプリント上での正規化最適輸送問題を解くための新しいマルチスケールアルゴリズムを提案する。 本手法は, ファイバー束やトラック密度マップとしてモデル化された脳幹図に対して有効性を示す。
  論文  参考訳（メタデータ） (2021-07-05T13:28:41Z)
• Nearly Minimax Optimal Reward-free Reinforcement Learning [88.75843804630772]
  本稿では、特にバッチ強化学習に適した報酬不要強化学習フレームワークと、複数の報酬関数に対するポリシーを必要とするシナリオについて検討する。 textbfStaged textbfSampling + textbfTruncated textbfPlanning (algoname) という新しい効率的なアルゴリズムを提供しています。
  論文  参考訳（メタデータ） (2020-10-12T17:51:19Z)
• Deep Learning Meets Projective Clustering [66.726500395069]
  NLPネットワークを圧縮するための一般的なアプローチは、埋め込み層を行列 $AinmathbbRntimes d$ としてエンコードすることである。 計算幾何学から遠射的クラスタリングに着想を得て、この部分空間を$k$部分空間の集合で置き換えることを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:47:48Z)

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。