論文の概要: Seemingly Redundant Modules Enhance Robust Odor Learning in Fruit Flies

• arxiv url: http://arxiv.org/abs/2510.21315v1
• Date: Fri, 24 Oct 2025 10:18:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-27 15:45:42.330098
• Title: Seemingly Redundant Modules Enhance Robust Odor Learning in Fruit Flies
• Title（参考訳）: ふわふわのハエにおけるロバスト・オーダ・ラーニングを生かしたモジュール
• Authors: Haiyang Li, Liao Yu, Qiang Yu, Yunliang Zang,
• Abstract要約: 側方抑制(LI)と神経スパイク周波数適応(SFA)は、嗅覚学習のためのパターン分離を促進すると考えられている。 本研究では, ハエ嗅覚回路の計算モデルを用いて, 異なる騒音条件下での臭気識別について検討する。 以上の結果から,低騒音・中騒音のシナリオでは,LIは臭気識別を主に促進するが,高騒音条件下では低下し,逆転する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 2.0890287000794427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological circuits have evolved to incorporate multiple modules that perform similar functions. In the fly olfactory circuit, both lateral inhibition (LI) and neuronal spike frequency adaptation (SFA) are thought to enhance pattern separation for odor learning. However, it remains unclear whether these mechanisms play redundant or distinct roles in this process. In this study, we present a computational model of the fly olfactory circuit to investigate odor discrimination under varying noise conditions that simulate complex environments. Our results show that LI primarily enhances odor discrimination in low- and medium-noise scenarios, but this benefit diminishes and may reverse under higher-noise conditions. In contrast, SFA consistently improves discrimination across all noise levels. LI is preferentially engaged in low- and medium-noise environments, whereas SFA dominates in high-noise settings. When combined, these two sparsification mechanisms enable optimal discrimination performance. This work demonstrates that seemingly redundant modules in biological circuits can, in fact, be essential for achieving optimal learning in complex contexts.
• Abstract（参考訳）: 生物学回路は、同様の機能を実行する複数のモジュールを組み込むように進化してきた。 ハエ嗅覚回路では、側方抑制(LI)と神経スパイク周波数適応(SFA)の両方が、嗅覚学習のためのパターン分離を促進すると考えられる。 しかし、これらのメカニズムがこの過程において冗長か異なる役割を担っているかは定かではない。 本研究では,ハエ嗅覚回路の計算モデルを用いて,複雑な環境をシミュレートする様々な騒音条件下での匂いの識別について検討する。 以上の結果から,低騒音・中騒音のシナリオでは,LIは臭気識別を主に促進するが,高騒音条件下では低下し,逆転する可能性が示唆された。 対照的に、SFAはすべてのノイズレベルにおける差別を一貫して改善する。 LIは低音環境と中音環境が優先的だが、SFAは高音環境が優先的である。 これら2つのスパーシフィケーション機構を組み合わせると、最適な識別性能が得られる。 この研究は、生物学的回路における一見冗長なモジュールが、実際、複雑な文脈で最適な学習を達成するために不可欠であることを示した。

関連論文リスト

• DRL: Discriminative Representation Learning with Parallel Adapters for Class Incremental Learning [63.65467569295623]
  本稿では,これらの課題に対処するための差別的表現学習(DRL)フレームワークを提案する。 逐次学習を効果的かつ効率的に行うために、DRLのネットワークはPTM上に構築される。 我々のDRLは、CIL時代を通して、他の最先端の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-14T03:19:15Z)
• Diffusion-Classifier Synergy: Reward-Aligned Learning via Mutual Boosting Loop for FSCIL [19.094835780362775]
  FSCIL(Few-Shot Class-Incremental Learning)は、最小限の例から新しいクラスを逐次学習するモデルに挑戦する。 現在のFSCIL法は、限られたデータセットに依存するため、一般化に苦慮することが多い。 本稿では拡散モデルとFSCIL分類器の相互強化ループを確立する新しいフレームワークであるDiffusion-Classifier Synergy(DCS)を紹介する。
  論文  参考訳（メタデータ） (2025-10-04T01:48:52Z)
• From Pheromones to Policies: Reinforcement Learning for Engineered Biological Swarms [0.0]
  本研究では, フェロモンを介するセロモン凝集と強化学習(RL)の理論的等価性を確立する。 我々は,フェロモンが数学的に相互学習の更新を反映していることを示し,捕食作業を行う線虫群をモデル化した。 この結果から, 環境信号が外部メモリとして機能する分散RLプロセスは, スティグマイシン系が本質的にコード化されていることが示唆された。
  論文  参考訳（メタデータ） (2025-09-24T13:16:35Z)
• CycleGuardian: A Framework for Automatic RespiratorySound classification Based on Improved Deep clustering and Contrastive Learning [9.215130010602634]
  早期の呼吸器および肺疾患の診断において,聴診は重要な役割を担っている。 既存の最先端モデルは過剰なパラメータサイズに悩まされており、リソース制約のあるモバイルプラットフォームへのデプロイを妨げている。 改良されたディープクラスタリングとコントラスト学習に基づくフレームワークを提案する。 われわれはこのネットワークをAndroidデバイスに展開し、総合的なインテリジェントな呼吸音聴取システムを示す。
  論文  参考訳（メタデータ） (2025-02-02T09:56:47Z)
• Mutual Learning for Acoustic Matching and Dereverberation via Visual Scene-driven Diffusion [93.32354378820648]
  本稿では拡散モデルに基づく相互学習フレームワークMVSDを紹介する。 MVSDは2つのタスクを対称的に考慮し、逆タスクからの学習を容易にするために相互関係を利用する。 我々のフレームワークは、残響器と残響器の性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-07-15T00:47:56Z)
• Controllable Relation Disentanglement for Few-Shot Class-Incremental Learning [82.79371269942146]
  本稿では,FewShot Class-Incremental Learning (FSCIL) を新たな視点,すなわち関係の絡み合いから扱うことを提案する。 急激な相関関係を切り離すことの課題は、FSCILの制御性が悪いことである。 我々は、CTRL-FSCIL(Controllable Relation-disentang FewShot Class-Incremental Learning)と呼ばれる、新しいシンプルな効果のある手法を提案する。
  論文  参考訳（メタデータ） (2024-03-17T03:16:59Z)
• Leveraging Continuously Differentiable Activation Functions for Learning in Quantized Noisy Environments [0.0]
  実世界のアナログシステムは本質的に、モデル収束と精度を妨げるノイズに悩まされる。 GELUやSiLUのような異なるアクティベーションは勾配の堅牢な伝播を可能にし、アナログ量子化誤差を緩和する。
  論文  参考訳（メタデータ） (2024-02-04T20:01:22Z)
• Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference [73.63024765499719]
  モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。 本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。 呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
  論文  参考訳（メタデータ） (2023-05-10T07:05:43Z)
• Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection [89.43987367139724]
  顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。 近年の業績は良好なものとなっているが、いまだに無視できない問題がある。 本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-16T14:17:17Z)

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。