論文の概要: Event-driven eligibility propagation in large sparse networks: efficiency shaped by biological realism

• arxiv url: http://arxiv.org/abs/2511.21674v1
• Date: Wed, 26 Nov 2025 18:52:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.256139
• Title: Event-driven eligibility propagation in large sparse networks: efficiency shaped by biological realism
• Title（参考訳）: 大規模スパースネットワークにおける事象駆動型可視性伝播--生物リアリズムによって形成された効率性
• Authors: Agnes Korcsak-Gorzo, Jesús A. Espinoza Valverde, Jonas Stapmanns, Hans Ekkehard Plesser, David Dahmen, Matthias Bolten, Sacha J. van Albada, Markus Diesmann,
• Abstract要約: 本稿では, 繰り返しスパイクネットワークに対する適応性伝達(e-prop)学習規則の生物学的に妥当な拡張について述べる。 学習ルールを大規模スパイクニューラルネットワークのシミュレーションプラットフォームに統合し、ニューロモルフィックMNISTのようなタスクに適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.5487412578664685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite remarkable technological advances, AI systems may still benefit from biological principles, such as recurrent connectivity and energy-efficient mechanisms. Drawing inspiration from the brain, we present a biologically plausible extension of the eligibility propagation (e-prop) learning rule for recurrent spiking networks. By translating the time-driven update scheme into an event-driven one, we integrate the learning rule into a simulation platform for large-scale spiking neural networks and demonstrate its applicability to tasks such as neuromorphic MNIST. We extend the model with prominent biological features such as continuous dynamics and weight updates, strict locality, and sparse connectivity. Our results show that biologically grounded constraints can inform the design of computationally efficient AI algorithms, offering scalability to millions of neurons without compromising learning performance. This work bridges machine learning and computational neuroscience, paving the way for sustainable, biologically inspired AI systems while advancing our understanding of brain-like learning.
• Abstract（参考訳）: 驚くべき技術的進歩にもかかわらず、AIシステムはリカレント接続やエネルギー効率のメカニズムといった生物学的原理の恩恵を受けるかもしれない。 脳からインスピレーションを受けることで、繰り返しスパイキングネットワークに対して、生物学的に妥当なE-prop学習規則の拡張を提示する。 時間駆動の更新スキームをイベント駆動のスキームに変換することで、大規模なスパイクニューラルネットワークのためのシミュレーションプラットフォームに学習ルールを統合し、ニューロモルフィックMNISTのようなタスクに適用可能であることを示す。 モデルを、連続力学や重み更新、厳密な局所性、疎結合といった顕著な生物学的特徴で拡張する。 この結果から,生物学的に基礎付けられた制約は,学習性能を損なうことなく,数百万のニューロンにスケーラビリティを提供する,計算効率のよいAIアルゴリズムの設計に役立てることができることがわかった。 この研究は機械学習と計算神経科学を橋渡しし、持続可能な生物学的にインスパイアされたAIシステムを実現すると同時に、脳に似た学習の理解を深める。

関連論文リスト

• Simulating Biological Intelligence: Active Inference with Experiment-Informed Generative Model [2.003941363902692]
  実施エージェントの意思決定をモデル化するための,能動的推論に根ざしたフレームワークを提案する。 実験インフォームド生成モデルを用いて,シミュレーションゲーム環境における意思決定過程をシミュレートする。 知的意思決定における記憶に基づく学習と予測計画の役割について考察した。
  論文  参考訳（メタデータ） (2025-08-09T13:26:38Z)
• Memory Networks: Towards Fully Biologically Plausible Learning [2.7013801448234367]
  現在の人工ニューラルネットワークは、バックプロパゲーションやウェイトシェアリングのような技術に依存しており、脳の自然な情報処理方法と一致しない。 本稿では,逆伝播や畳み込みを回避し,単一のパスで動作させる生物学的原理にインスパイアされたメモリネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-18T06:01:35Z)
• Bio-Inspired Mamba: Temporal Locality and Bioplausible Learning in Selective State Space Models [0.0]
  Bio-Inspired Mambaは、生物学習の原則とMambaアーキテクチャを統合する、選択的な状態空間モデルのための新しいオンライン学習フレームワークである。 BIMはリアルタイム・リカレント・ラーニング(RTRL)とSpike-Timing-Dependent Plasticity(STDP)のようなローカル・ラーニング・ルールを組み合わせることで、スパイキングニューラルネットワークのトレーニングにおける時間的局所性と生物学的妥当性の課題に対処する。 言語モデリング,音声認識,バイオメディカル信号解析におけるBIMの評価を行い,生物学習の原則を順守しつつ,従来の手法と競合する性能を実証した。
  論文  参考訳（メタデータ） (2024-09-17T15:11:39Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• 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)
• Equilibrium Propagation for Complete Directed Neural Networks [0.0]
  最も成功したニューラルネットワークの学習アルゴリズム、バックプロパゲーションは生物学的に不可能であると考えられている。 我々は,平衡伝播学習の枠組みを構築し拡張することによって,生物学的に妥当な神経学習の話題に貢献する。
  論文  参考訳（メタデータ） (2020-06-15T22:12:30Z)

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。