論文の概要: Self-Supervised Learning of Synapse Types from EM Images

• arxiv url: http://arxiv.org/abs/2510.21663v1
• Date: Fri, 24 Oct 2025 17:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.555025
• Title: Self-Supervised Learning of Synapse Types from EM Images
• Title（参考訳）: EM画像からのシナプス型自己教師付き学習
• Authors: Aarav Shetty, Gary B Huang,
• Abstract要約: EM画像の外観に基づいてシナプスを異なるクラスに分離することは、生物学に多くの応用がある。 ここでは、同じニューロン内の近くのシナプスが、異なる細胞からランダムに選択されたシナプスよりも近いという観察のみに基づいて、シナプスをクラスに分離する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Separating synapses into different classes based on their appearance in EM images has many applications in biology. Examples may include assigning a neurotransmitter to a particular class, or separating synapses whose strength can be modulated from those whose strength is fixed. Traditionally, this has been done in a supervised manner, giving the classification algorithm examples of the different classes. Here we instead separate synapses into classes based only on the observation that nearby synapses in the same neuron are likely more similar than synapses chosen randomly from different cells. We apply our methodology to data from {\it Drosophila}. Our approach has the advantage that the number of synapse types does not need to be known in advance. It may also provide a principled way to select ground-truth that spans the range of synapse structure.
• Abstract（参考訳）: EM画像の外観に基づいてシナプスを異なるクラスに分離することは、生物学に多くの応用がある。 例えば、神経伝達物質を特定のクラスに割り当てたり、強度を調節できるシナプスを、強度が固定されたクラスから分離したりすることができる。 伝統的に、これは教師ありの方法で行われ、異なるクラスの分類アルゴリズムの例を与えている。 ここでは、同じニューロン内の近くのシナプスが、異なる細胞からランダムに選択されたシナプスよりも近いという観察のみに基づいて、シナプスをクラスに分離する。 我々はこの方法論をショウジョウバエのデータに適用する。 我々のアプローチには、事前にシナプス型の数を知る必要がないという利点がある。 これはまた、シナプス構造の範囲にまたがる基底構造を選択するための原則的な方法を提供するかもしれない。

関連論文リスト

• Neuron Platonic Intrinsic Representation From Dynamics Using Contrastive Learning [4.538151592901714]
  我々はNeurPIR(Neuron Platonic Intrinsic Representation)フレームワークを提案する。 対照的な学習を使用し、正の対と同じニューロンのセグメントと、負の対である異なるニューロンのセグメントを持つ。 我々はIzhikevichモデルを用いた神経集団動態データを用いて実験を行った。
  論文  参考訳（メタデータ） (2025-02-06T02:22:23Z)
• Range, not Independence, Drives Modularity in Biologically Inspired Representations [52.48094670415497]
  我々は、生物学的にインスピレーションを受けたネットワークが、ソース変数(ソース)の表現をモジュール化する理論を開発する。 我々は、最適な線形オートエンコーダのニューロンがモジュラー化するかどうかを決定するソースのサンプルに対して、必要かつ十分な条件を導出する。 我々の理論はどんなデータセットにも当てはまり、以前の研究で研究された統計的な独立性よりもはるかに長い。
  論文  参考訳（メタデータ） (2024-10-08T17:41:37Z)
• Interpreting the Second-Order Effects of Neurons in CLIP [73.54377859089801]
  CLIPの個々のニューロンの機能をテキストで自動的に記述することで解釈する。 ニューロンから後続のアテンションヘッドに流れる影響を、直接出力に解析する「第2次レンズ」を提案する。 以上の結果から,ニューロンの自動解釈は,モデル騙しや新しいモデル機能の導入に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-06-06T17:59:52Z)
• Learning dynamic representations of the functional connectome in neurobiological networks [41.94295877935867]
  我々は、生きた行動する動物のニューロン間の動的親和性を学ぶために、教師なしのアプローチを導入する。 本研究では,ニューロン間の因果関係を強く予測し,行動を生成する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T19:54:25Z)
• Learning with Chemical versus Electrical Synapses -- Does it Make a Difference? [61.85704286298537]
  バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。 我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
  論文  参考訳（メタデータ） (2023-11-21T13:07:20Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Brain-inspired self-organization with cellular neuromorphic computing for multimodal unsupervised learning [0.0]
  本稿では,自己組織マップとヘビアン様学習を用いた再突入理論に基づく脳刺激型ニューラルシステムを提案する。 システムトポロジがユーザによって固定されるのではなく,自己組織化によって学習されるような,いわゆるハードウェアの可塑性の獲得について述べる。
  論文  参考訳（メタデータ） (2020-04-11T21:02:45Z)

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。