論文の概要: Allee Synaptic Plasticity and Memory

• arxiv url: http://arxiv.org/abs/2508.10929v1
• Date: Mon, 11 Aug 2025 18:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.582057
• Title: Allee Synaptic Plasticity and Memory
• Title（参考訳）: シナプスの可塑性と記憶
• Authors: Eddy Kwessi,
• Abstract要約: 本稿ではアリーベース非線形塑性モデルについて検討する。 生物学的にインスパイアされた体重安定化機構、騒音の堅牢性の向上、シナプス調節の限界しきい値を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural plasticity is fundamental to memory storage and retrieval in biological systems, yet existing models often fall short in addressing noise sensitivity and unbounded synaptic weight growth. This paper investigates the Allee-based nonlinear plasticity model, emphasizing its biologically inspired weight stabilization mechanisms, enhanced noise robustness, and critical thresholds for synaptic regulation. We analyze its performance in memory retention and pattern retrieval, demonstrating increased capacity and reliability compared to classical models like Hebbian and Oja's rules. To address temporal limitations, we extend the model by integrating time-dependent dynamics, including eligibility traces and oscillatory inputs, resulting in improved retrieval accuracy and resilience in dynamic environments. This work bridges theoretical insights with practical implications, offering a robust framework for modeling neural adaptation and informing advances in artificial intelligence and neuroscience.
• Abstract（参考訳）: 神経可塑性は生物学的システムにおける記憶の保存と検索の基礎であるが、既存のモデルではノイズ感度と非有界シナプスの重量増加に対処できない場合が多い。 本稿では,アリエ系非線形塑性モデルについて検討し,生物学的に着想を得た重み安定化機構,騒音の堅牢性の向上,シナプス制御の限界しきい値などを強調した。 メモリ保持とパターン検索の性能を解析し,HebbianやOjaのルールのような古典モデルと比較して,キャパシティと信頼性が向上したことを示す。 時間的制約に対処するため、時間依存のダイナミクスを統合し、可視性トレースや振動入力を組み込むことにより、動的環境における検索精度とレジリエンスを向上させる。 この研究は、ニューラルネットワークの適応をモデル化し、人工知能と神経科学の進歩を示す堅牢な枠組みを提供する、実践的な意味を持つ理論的な洞察を橋渡しする。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• 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)
• Firing Rate Models as Associative Memory: Excitatory-Inhibitory Balance for Robust Retrieval [3.961279440272764]
  フィリングレートモデル(Firing rate model)は、神経細胞の局所的な皮質力学を記述するために応用および理論神経科学に広く用いられている力学系である。 本稿では, 再スケールメモリパターンの出現を, 発火速度力学における安定平衡として保証する一般的な枠組みを提案する。 本研究では, 記憶が局所的に, グローバルに安定な条件を解析し, 連想記憶検索のための生物学的に証明可能な, 堅牢なシステムの構築に関する知見を提供する。
  論文  参考訳（メタデータ） (2024-11-11T21:40:57Z)
• Autaptic Synaptic Circuit Enhances Spatio-temporal Predictive Learning of Spiking Neural Networks [23.613277062707844]
  Spiking Neural Networks (SNNs) は、生物学的ニューロンで見られる統合ファイアリーク機構をエミュレートする。 既存のSNNは、主にIntegrate-and-Fire Leaky(LIF)モデルに依存している。 本稿では,S-patioTemporal Circuit (STC) モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-01T11:17:27Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。