Fugu-MT 論文翻訳(概要): Engram Memory Encoding and Retrieval: A Neurocomputational Perspective

論文の概要: Engram Memory Encoding and Retrieval: A Neurocomputational Perspective

arxiv url: http://arxiv.org/abs/2506.01659v1
Date: Mon, 02 Jun 2025 13:30:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-04 21:47:34.400832
Title: Engram Memory Encoding and Retrieval: A Neurocomputational Perspective
Title（参考訳）: Engram Memory Encoding and Retrieval: A Neurocomputational Perspective
Authors: Daniel Szelogowski,
Abstract要約: エングラム理論は、長期記憶を支えるために物理的および生化学的変化を継続する神経細胞のスパース集団が存在していることを示唆している。本稿では, 細胞性神経科学と計算モデルからの知見を合成し, エングラム研究における重要な課題に対処する。それは、可塑性と空間的制約の相互作用から記憶効率、容量、安定性が現れることを示唆している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Despite substantial research into the biological basis of memory, the precise mechanisms by which experiences are encoded, stored, and retrieved in the brain remain incompletely understood. A growing body of evidence supports the engram theory, which posits that sparse populations of neurons undergo lasting physical and biochemical changes to support long-term memory. Yet, a comprehensive computational framework that integrates biological findings with mechanistic models remains elusive. This work synthesizes insights from cellular neuroscience and computational modeling to address key challenges in engram research: how engram neurons are identified and manipulated; how synaptic plasticity mechanisms contribute to stable memory traces; and how sparsity promotes efficient, interference-resistant representations. Relevant computational approaches -- such as sparse regularization, engram gating, and biologically inspired architectures like Sparse Distributed Memory and spiking neural networks -- are also examined. Together, these findings suggest that memory efficiency, capacity, and stability emerge from the interaction of plasticity and sparsity constraints. By integrating neurobiological and computational perspectives, this paper provides a comprehensive theoretical foundation for engram research and proposes a roadmap for future inquiry into the mechanisms underlying memory, with implications for the diagnosis and treatment of memory-related disorders.
Abstract（参考訳）: 記憶の生物学的基盤に関するかなりの研究にもかかわらず、体験がコード化され、記憶され、脳に回収される正確なメカニズムは、いまだに完全に理解されていない。エングラム理論は、長期記憶を支えるために物理的および生化学的変化を継続する神経細胞のまばらな個体群が存在していることを示唆している。しかし、生物学的発見と力学モデルを統合する包括的な計算フレームワークは、いまだ解明されていない。この研究は、細胞神経科学と計算モデルからの洞察を合成し、エングラム研究における重要な課題に対処する。スパース正規化(sparse regularization)やエングラムゲーティング(engram gating)、スパース分散メモリ(Sparse Distributed Memory)やスパイクニューラルネットワーク(sping Neural Network)といった生物学的にインスパイアされたアーキテクチャなど、関連する計算アプローチについても検討する。これらの結果は, 可塑性と空間的制約の相互作用から, 記憶効率, キャパシティ, 安定性が生じることを示唆している。本稿では,神経生物学的・計算学的視点を統合することにより,研究の包括的理論的基盤を提供するとともに,記憶関連疾患の診断と治療に関する今後の研究のロードマップを提案する。

関連論文リスト

Neural Manifolds and Cognitive Consistency: A New Approach to Memory Consolidation in Artificial Systems [0.0]
本稿では, ニューラル人口動態, 海馬鋭波リップル(SpWR)生成, ハイダー理論に触発された認知的一貫性の制約を統一する新しい数学的枠組みを提案する。我々のモデルは低次元多様体表現を利用して構造化された神経ドリフトを捕捉し、コヒーレントシナプス相互作用を強制するためにバランスエネルギー関数を組み込む。この研究は、神経科学と人工知能を橋渡しするスケーラブルなニューロモルフィックアーキテクチャの道を開くもので、将来のインテリジェントシステムに対してより堅牢で適応的な学習メカニズムを提供する。
論文参考訳（メタデータ） (2025-02-25T18:28:25Z)
Biologically Plausible Brain Graph Transformer [29.25619892737193]
最先端の脳グラフ分析手法は、脳グラフの小さな世界のアーキテクチャを完全にエンコードすることができない。本稿では,脳グラフに固有の小世界構造をエンコードするBioBGT(Biologically Plausible Brain Graph Transformer)を提案する。
論文参考訳（メタデータ） (2025-02-13T04:51:18Z)
A Review of Latent Representation Models in Neuroimaging [0.0]
ラテント表現モデルは、高次元のニューロイメージングデータを低次元のラテント空間に還元するように設計されている。これらの潜伏空間をモデル化することで、研究者は脳の生物学と機能に関する洞察を得ることを望んでいる。本総説では, 疾患診断や進行モニタリングなどの臨床応用だけでなく, 基礎的脳機構の解明にもこれらのモデルが用いられていることを論じる。
論文参考訳（メタデータ） (2024-12-24T19:12:11Z)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文参考訳（メタデータ） (2023-12-01T05:20:57Z)
The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文参考訳（メタデータ） (2023-06-14T13:34:13Z)
Sequential Memory with Temporal Predictive Coding [6.228559238589584]
時空間予測符号化 (tPC) という, PC を用いた時空間メモリモデルを提案する。我々のtPCモデルは、生物学的に妥当なニューラル実装を用いて、シーケンシャルな入力を正確に記憶し、取得できることを示します。
論文参考訳（メタデータ） (2023-05-19T20:03:31Z)
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)
Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2022-05-21T14:08:53Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)
A Neural Dynamic Model based on Activation Diffusion and a Micro-Explanation for Cognitive Operations [4.416484585765028]
記憶の神経機構は、人工知能における表現の問題と非常に密接な関係を持っている。脳内のニューロンのネットワークとその情報処理のシミュレーションを行う計算モデルが提案された。
論文参考訳（メタデータ） (2020-11-27T01:34:08Z)

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。