論文の概要: Bidirectional predictive coding

• arxiv url: http://arxiv.org/abs/2505.23415v1
• Date: Thu, 29 May 2025 13:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.858992
• Title: Bidirectional predictive coding
• Title（参考訳）: 双方向予測符号化
• Authors: Gaspard Oliviers, Mufeng Tang, Rafal Bogacz,
• Abstract要約: 予測符号化(英: Predictive coding, PC)は、脳における視覚学習と推論の影響力のある計算モデルである。 そこで本研究では,生物学的に妥当な回路実装を維持しつつ,生成的推論と識別的推論の両方を組み込んだPCモデルを提案する。
• 参考スコア（独自算出の注目度）: 5.541916922665285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive coding (PC) is an influential computational model of visual learning and inference in the brain. Classical PC was proposed as a top-down generative model, where the brain actively predicts upcoming visual inputs, and inference minimises the prediction errors. Recent studies have also shown that PC can be formulated as a discriminative model, where sensory inputs predict neural activities in a feedforward manner. However, experimental evidence suggests that the brain employs both generative and discriminative inference, while unidirectional PC models show degraded performance in tasks requiring bidirectional processing. In this work, we propose bidirectional PC (bPC), a PC model that incorporates both generative and discriminative inference while maintaining a biologically plausible circuit implementation. We show that bPC matches or outperforms unidirectional models in their specialised generative or discriminative tasks, by developing an energy landscape that simultaneously suits both tasks. We also demonstrate bPC's superior performance in two biologically relevant tasks including multimodal learning and inference with missing information, suggesting that bPC resembles biological visual inference more closely.
• Abstract（参考訳）: 予測符号化(英: Predictive coding, PC)は、脳における視覚学習と推論の影響力のある計算モデルである。 古典的PCはトップダウン生成モデルとして提案され、脳は今後の視覚入力を積極的に予測し、推論は予測エラーを最小化する。 近年の研究では、感覚入力がフィードフォワード方式で神経活動を予測する識別モデルとしてPCを定式化できることが示されている。 しかし、実験的な証拠は、脳が生成的および識別的推論の両方を取り入れていることを示唆し、一方、一方向PCモデルは双方向処理を必要とするタスクにおいて劣化した性能を示す。 そこで本研究では, 生物学的に妥当な回路実装を維持しつつ, 生成的および識別的推論の両方を組み込んだPCモデルである双方向PC(bPC)を提案する。 両課題に同時に適合するエネルギー景観を開発することにより,bPCが一方向モデルに適合し,一方向モデルよりも優れていることを示す。 また,マルチモーダル学習と情報不足による推論を含む2つの生物学的関連課題において,bPCの優れた性能を示すとともに,bPCが生物学的視覚的推論とより密接に類似していることが示唆された。

関連論文リスト

• Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
  メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。 MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
  論文  参考訳（メタデータ） (2025-03-22T22:13:14Z)
• Estimating Neural Representation Alignment from Sparsely Sampled Inputs and Features [17.44935381873858]
  入力と特徴サンプリングの両方を補正する新しい推定器を導入する。 脳から脳へのアライメントとモデルから脳へのアライメントの評価に本手法を用いた。
  論文  参考訳（メタデータ） (2025-02-20T23:50:45Z)
• Predictive Coding Networks and Inference Learning: Tutorial and Survey [0.7510165488300368]
  予測符号化ネットワーク(PCN)は、予測符号化の神経科学的な枠組みに基づいている。 バックプロパゲーション(BP)で訓練された従来のニューラルネットワークとは異なり、PCNは推論学習(IL)を利用する。 本質的に確率的(グラフィック的)潜在変数モデルとして、PCNは教師付き学習と教師なし(生成的)モデリングの両方に汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-07-04T18:39:20Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• A Survey on Brain-Inspired Deep Learning via Predictive Coding [85.93245078403875]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• A Theoretical Framework for Inference and Learning in Predictive Coding Networks [41.58529335439799]
  予測符号化(PC)は、計算神経科学において重要な理論である。 予測構成で訓練されたPCNの特性に関する包括的理論的解析を行う。
  論文  参考訳（メタデータ） (2022-07-21T04:17:55Z)
• 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)

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。