論文の概要: Task-Optimized Convolutional Recurrent Networks Align with Tactile Processing in the Rodent Brain

• arxiv url: http://arxiv.org/abs/2505.18361v2
• Date: Tue, 27 May 2025 02:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 12:08:55.073671
• Title: Task-Optimized Convolutional Recurrent Networks Align with Tactile Processing in the Rodent Brain
• Title（参考訳）: マウス脳における触覚処理にともなうタスク最適化畳み込みリカレントネットワーク
• Authors: Trinity Chung, Yuchen Shen, Nathan C. L. Kong, Aran Nayebi,
• Abstract要約: 触覚は神経科学では理解されておらず、視覚や言語に比べて人工システムでは効果が低い。 本稿では,現実的な触覚入力シーケンスに基づいてトレーニングされたタスク最適化時間ニューラルネットワークの空間を探索する新しいAttender-Decoder(EAD)フレームワークを提案する。 我々は,畳み込みリカレントニューラルネットワーク(ConvRNN)を,触覚分類のための純粋に前向きおよび状態空間アーキテクチャに優れたエンコーダとして同定する。
• 参考スコア（独自算出の注目度）: 2.2923726517351044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tactile sensing remains far less understood in neuroscience and less effective in artificial systems compared to more mature modalities such as vision and language. We bridge these gaps by introducing a novel Encoder-Attender-Decoder (EAD) framework to systematically explore the space of task-optimized temporal neural networks trained on realistic tactile input sequences from a customized rodent whisker-array simulator. We identify convolutional recurrent neural networks (ConvRNNs) as superior encoders to purely feedforward and state-space architectures for tactile categorization. Crucially, these ConvRNN-encoder-based EAD models achieve neural representations closely matching rodent somatosensory cortex, saturating the explainable neural variability and revealing a clear linear relationship between supervised categorization performance and neural alignment. Furthermore, contrastive self-supervised ConvRNN-encoder-based EADs, trained with tactile-specific augmentations, match supervised neural fits, serving as an ethologically-relevant, label-free proxy. For neuroscience, our findings highlight nonlinear recurrent processing as important for general-purpose tactile representations in somatosensory cortex, providing the first quantitative characterization of the underlying inductive biases in this system. For embodied AI, our results emphasize the importance of recurrent EAD architectures to handle realistic tactile inputs, along with tailored self-supervised learning methods for achieving robust tactile perception with the same type of sensors animals use to sense in unstructured environments.
• Abstract（参考訳）: 触覚は神経科学では理解されておらず、視覚や言語のようなより成熟したモダリティに比べて人工システムでは効果が低い。 このギャップを埋めるには、新しいEncoder-Attender-Decoder(EAD)フレームワークを導入し、カスタマイズされたロジトウイスキーアレイシミュレータからリアルな触覚入力シーケンスに基づいてトレーニングされたタスク最適化時間ニューラルネットワークの空間を体系的に探索する。 我々は,畳み込みリカレントニューラルネットワーク(ConvRNN)を,触覚分類のための純粋に前向きおよび状態空間アーキテクチャに優れたエンコーダとして同定する。 重要なことに、これらのConvRNNエンコーダベースのERDモデルは、歯列体感覚皮質と密接に一致する神経表現を達成し、説明可能な神経変動を飽和させ、教師付き分類性能と神経アライメントとの明確な線形関係を明らかにする。 さらに、触覚特異的増強で訓練されたConvRNNエンコーダをベースとした対照的な自己監督型ERDは、倫理的に関連性のあるラベルフリープロキシとして機能する、教師付きニューラルフィットにマッチする。 神経科学においては,体性感覚野における汎用的触覚表現に重要な非線形リカレント処理に注目し,本システムにおける誘導バイアスの定量的評価を行った。 具体的AIでは、リアルな触覚入力を扱うためのEDDアーキテクチャの反復の重要性と、動物が非構造環境において知覚するのと同じタイプのセンサーを用いて、堅牢な触覚知覚を達成するための自己教師付き学習手法を強調した。

関連論文リスト

• Object Classification Utilizing Neuromorphic Proprioceptive Signals in Active Exploration: Validated on a Soft Anthropomorphic Hand [5.159808922904934]
  プロプリオセプションは、物体の3D構造を知覚する上で重要な役割を担っている。 プロプリオセプションは人工システムでは比較的未発見である。 ソフトな人型ロボットハンドを統合する新しいプラットフォームを提案する。
  論文  参考訳（メタデータ） (2025-05-23T11:02:34Z)
• Discovering Chunks in Neural Embeddings for Interpretability [53.80157905839065]
  本稿では, チャンキングの原理を応用して, 人工神経集団活動の解釈を提案する。 まず、この概念を正則性を持つ人工シーケンスを訓練したリカレントニューラルネットワーク(RNN)で実証する。 我々は、これらの状態に対する摂動が関連する概念を活性化または阻害すると共に、入力における概念に対応する同様の繰り返し埋め込み状態を特定する。
  論文  参考訳（メタデータ） (2025-02-03T20:30:46Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• 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)
• Spiking Neural Networks for Frame-based and Event-based Single Object Localization [26.51843464087218]
  スパイクニューラルネットワークは、人工ニューラルネットワークに代わるエネルギー効率の高い代替手段として、多くの可能性を示してきた。 代用勾配降下法を用いて学習した単一物体の局所化に対するスパイクニューラルネットワークアプローチを提案する。 提案手法を類似の人工知能ニューラルネットワークと比較した結果, 精度, 各種汚損対策, エネルギー消費量の低減が得られた。
  論文  参考訳（メタデータ） (2022-06-13T22:22:32Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Training Deep Spiking Auto-encoders without Bursting or Dying Neurons through Regularization [9.34612743192798]
  スパイクニューラルネットワークは、計算神経科学における次世代の脳モデルに対する有望なアプローチである。 膜電位に基づくバックプロパゲーションを用いたエンドツーエンド学習を、スパイクする畳み込みオートエンコーダに適用する。 膜電位とスパイク出力に正規化を適用することで、死と破裂の両方のニューロンをうまく回避できることを示す。
  論文  参考訳（メタデータ） (2021-09-22T21:27:40Z)
• Learning in Deep Neural Networks Using a Biologically Inspired Optimizer [5.144809478361604]
  人工神経(ANN)とスパイクニューラルネット(SNN)にインスパイアされた新しい生物モデルを提案する。 GRAPESは、ニューラルネットワークの各ノードにおけるエラー信号の重量分布依存変調を実装している。 生物学的にインスパイアされたこのメカニズムは,ネットワークの収束率を体系的に改善し,ANNやSNNの分類精度を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-04-23T13:50:30Z)
• Neuroevolution of a Recurrent Neural Network for Spatial and Working Memory in a Simulated Robotic Environment [57.91534223695695]
  我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。 提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
  論文  参考訳（メタデータ） (2021-02-25T02:13:52Z)

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。