論文の概要: Teaching signal synchronization in deep neural networks with prospective neurons

• arxiv url: http://arxiv.org/abs/2511.14917v1
• Date: Tue, 18 Nov 2025 21:12:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.531854
• Title: Teaching signal synchronization in deep neural networks with prospective neurons
• Title（参考訳）: 近視ニューロンを用いた深部神経回路の信号同期
• Authors: Nicoas Zucchet, Qianqian Feng, Axel Laborieux, Friedemann Zenke, Walter Senn, João Sacramento,
• Abstract要約: 適応電流で増強されたニューロンは、外部刺激に前向きに応答することで、これらの遅延を補うことができることを示す。 これにより、ゆっくりと統合されたニューロンの学習をガイドし、拡張された時間スケールでの記憶の形成と検索を可能にすることが実証された。
• 参考スコア（独自算出の注目度）: 13.883481084901483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Working memory requires the brain to maintain information from the recent past to guide ongoing behavior. Neurons can contribute to this capacity by slowly integrating their inputs over time, creating persistent activity that outlasts the original stimulus. However, when these slowly integrating neurons are organized hierarchically, they introduce cumulative delays that create a fundamental challenge for learning: teaching signals that indicate whether behavior was correct or incorrect arrive out-of-sync with the neural activity they are meant to instruct. Here, we demonstrate that neurons enhanced with an adaptive current can compensate for these delays by responding to external stimuli prospectively -- effectively predicting future inputs to synchronize with them. First, we show that such prospective neurons enable teaching signal synchronization across a range of learning algorithms that propagate error signals through hierarchical networks. Second, we demonstrate that this successfully guides learning in slowly integrating neurons, enabling the formation and retrieval of memories over extended timescales. We support our findings with a mathematical analysis of the prospective coding mechanism and learning experiments on motor control tasks. Together, our results reveal how neural adaptation could solve a critical timing problem and enable efficient learning in dynamic environments.
• Abstract（参考訳）: 作業記憶は、脳が現在進行中の行動を導くために、過去からの情報を維持する必要がある。 ニューロンはこの能力に寄与し、入力を徐々に統合し、元の刺激を延ばす持続的な活動を生み出す。 しかし、これらの緩やかな統合ニューロンが階層的に組織化されると、学習の基本的な課題となる累積遅延が発生する。 ここでは、適応電流で増強されたニューロンが、将来の入力を効果的に予測し、それらと同期させることによって、これらの遅延を補うことを実証する。 まず、このような将来的なニューロンは、階層的ネットワークを介してエラー信号を伝播する学習アルゴリズムの幅広い領域において、信号の同期を可能にすることを示す。 第2に、これはゆっくりと統合されたニューロンでの学習をガイドし、拡張された時間スケールでの記憶の形成と検索を可能にすることを実証する。 本研究は, 予測符号化機構の数学的解析と, 運動制御タスクの学習実験によって得られた知見を裏付けるものである。 この結果から,ニューラルネットワークが重要なタイミング問題を解き,動的環境における効率的な学習を実現する方法が明らかとなった。

関連論文リスト

• Integrating Causality with Neurochaos Learning: Proposed Approach and Research Agenda [1.534667887016089]
  我々は、より優れた結果を得るために、因果学習とニューロカオス学習のアプローチを統合する方法について検討する。 本稿では,この統合による分類・予測・強化学習の促進に向けたアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-23T15:45:29Z)
• Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
  本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。 本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。 本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2024-04-22T09:40:07Z)
• Hebbian Learning based Orthogonal Projection for Continual Learning of Spiking Neural Networks [74.3099028063756]
  我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。 我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。 我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
  論文  参考訳（メタデータ） (2024-02-19T09:29:37Z)
• 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)
• 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)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Neuromorphic Algorithm-hardware Codesign for Temporal Pattern Learning [11.781094547718595]
  複雑な空間時間パターンを学習するためにSNNを訓練できるLeaky IntegrateとFireニューロンの効率的なトレーニングアルゴリズムを導出する。 我々は,ニューロンとシナプスのメムリスタに基づくネットワークのためのCMOS回路実装を開発した。
  論文  参考訳（メタデータ） (2021-04-21T18:23:31Z)
• Bio-plausible Unsupervised Delay Learning for Extracting Temporal Features in Spiking Neural Networks [0.548253258922555]
  ニューロン間の伝導遅延の可塑性は、学習において基本的な役割を果たす。 シナプス遅延の正確な調整を理解することは、効果的な脳にインスパイアされた計算モデルを開発するのに役立ちます。
  論文  参考訳（メタデータ） (2020-11-18T16:25:32Z)

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。