論文の概要: Space as Time Through Neuron Position Learning

• arxiv url: http://arxiv.org/abs/2511.01632v1
• Date: Mon, 03 Nov 2025 14:42:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.298255
• Title: Space as Time Through Neuron Position Learning
• Title（参考訳）: ニューロンの位置学習による時間としての空間
• Authors: Balázs Mészáros, James C. Knight, Danyal Akarca, Thomas Nowotny,
• Abstract要約: 生物学的ニューラルネットワークは、距離が通信遅延を決定する物理空間に存在する。 我々は、ニューロンの位置に関する勾配を導出し、この生物学的に動機付けられた制約が誘導バイアスとして働くことを示す。 顕著なことに、空間クラスタリングと整合した機能的特殊化を、明示的に実施することなく観察する。
• 参考スコア（独自算出の注目度）: 2.343812575432951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological neural networks exist in physical space where distance determines communication delays: a fundamental space-time coupling absent in most artificial neural networks. While recent work has separately explored spatial embeddings and learnable synaptic delays in spiking neural networks, we unify these approaches through a novel neuron position learning algorithm where delays relate to the Euclidean distances between neurons. We derive gradients with respect to neuron positions and demonstrate that this biologically-motivated constraint acts as an inductive bias: networks trained on temporal classification tasks spontaneously self-organize into local, small-world topologies with modular structure emerging under distance-dependent connection costs. Remarkably, we observe unprompted functional specialization aligned with spatial clustering without explictly enforcing it. These findings lay the groundwork for networks in which space and time are intrinsically coupled, offering new avenues for mechanistic interpretability, biologically inspired modelling, and efficient implementations.
• Abstract（参考訳）: 生物学的ニューラルネットワークは、距離が通信遅延を決定する物理空間に存在する。 最近の研究は、空間埋め込みと学習可能なニューラルネットワークのシナプス遅延を別々に検討しているが、我々はこれらのアプローチをニューロン間のユークリッド距離に関連する新しいニューロン位置学習アルゴリズムを通じて統一する。 我々は、ニューロンの位置に関する勾配を導出し、この生物学的に動機付けられた制約が誘導バイアスとして働くことを実証する:時間的分類タスクで訓練されたネットワークは、遠距離依存接続コストの下でモジュール構造が出現する局所的、小さな世界のトポロジーに自然に自己組織化される。 顕著なことに、空間クラスタリングと整合した機能的特殊化を、明示的に実施することなく観察する。 これらの発見は、空間と時間が本質的に結合されたネットワークの基礎となり、機械的解釈性、生物学的にインスパイアされたモデリング、効率的な実装のための新しい道を提供する。

関連論文リスト

• Extending Spike-Timing Dependent Plasticity to Learning Synaptic Delays [50.45313162890861]
  シナプス接続強度と遅延を同時に学習するための新しい学習規則を導入する。 我々は、教師なし学習で訓練された分類のための広く使われているSNNモデルを拡張して、我々のアプローチを検証する。 その結果,提案手法は様々なテストシナリオにおいて常に優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-06-17T21:24:58Z)
• Training Neural Networks by Optimizing Neuron Positions [39.682133213072554]
  ユークリッド空間にニューロンが埋め込まれたパラメータ効率のよいニューラルネットワークを提案する。 トレーニング中、それらの位置は最適化され、シナプス重みは連結ニューロン間の空間距離の反転として決定される。 これらの距離依存配線規則は、伝統的な学習可能な重量行列を置き換え、生物学的にインスパイアされた誘導バイアスを導入しながらパラメータの数を著しく削減する。
  論文  参考訳（メタデータ） (2025-06-16T12:26:13Z)
• Discovering Chunks in Neural Embeddings for Interpretability [53.80157905839065]
  本稿では, チャンキングの原理を応用して, 人工神経集団活動の解釈を提案する。 まず、この概念を正則性を持つ人工シーケンスを訓練したリカレントニューラルネットワーク(RNN)で実証する。 我々は、これらの状態に対する摂動が関連する概念を活性化または阻害すると共に、入力における概念に対応する同様の繰り返し埋め込み状態を特定する。
  論文  参考訳（メタデータ） (2025-02-03T20:30:46Z)
• Learning Delays Through Gradients and Structure: Emergence of Spatiotemporal Patterns in Spiking Neural Networks [0.06752396542927405]
  学習可能なシナプス遅延を2つのアプローチで組み込んだスパイキングニューラルネットワーク(SNN)モデルを提案する。 後者のアプローチでは、ネットワークは接続を選択してプーンし、スパース接続設定の遅延を最適化する。 本研究では,時間的データ処理のための効率的なSNNモデルを構築するために,遅延学習と動的プルーニングを組み合わせる可能性を示す。
  論文  参考訳（メタデータ） (2024-07-07T11:55:48Z)
• Backpropagation through space, time, and the brain [2.10686639478348]
  我々は、ニューロンの物理的、動的ネットワークにおける完全局所的時間的クレジット割り当てのための計算フレームワークであるGeneral Latent Equilibriumを紹介する。 特に、GLEは樹状樹の形態を利用して、単一ニューロンのより複雑な情報保存と処理を可能にしている。
  論文  参考訳（メタデータ） (2024-03-25T16:57:02Z)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• 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)
• The distribution of inhibitory neurons in the C. elegans connectome facilitates self-optimization of coordinated neural activity [78.15296214629433]
  線虫Caenorhabditis elegansの神経系は、昆虫のサイズが小さいにもかかわらず著しく複雑である。 一般的な課題は、システムレベルでの神経組織と神経活動の関係をよりよく理解することである。 我々は,各ニューロンの神経伝達物質同定を近似した,C. elegans Connectomeの抽象シミュレーションモデルを実装した。
  論文  参考訳（メタデータ） (2020-10-28T23:11:37Z)

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。