論文の概要: Spike-Timing-Dependent Plasticity for Bernoulli Message Passing

• arxiv url: http://arxiv.org/abs/2512.23728v1
• Date: Fri, 19 Dec 2025 11:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-04 08:45:17.12466
• Title: Spike-Timing-Dependent Plasticity for Bernoulli Message Passing
• Title（参考訳）: ベルヌーイメッセージパッシングのためのスパイクタイミング依存塑性
• Authors: Sepideh Adamiat, Wouter M. Kouw, Bert de Vries,
• Abstract要約: 我々はベルヌーイメッセージのメッセージパッシングを通じてベイズ推定をシミュレートするスパイキングニューラルネットワークを設計する。 我々は,ヘビアン則に基づくシナプス可塑性の生物学的に妥当なメカニズムであるスパイクタイピング依存の可塑性を用いる。
• 参考スコア（独自算出の注目度）: 3.05103886673788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian inference provides a principled framework for understanding brain function, while neural activity in the brain is inherently spike-based. This paper bridges these two perspectives by designing spiking neural networks that simulate Bayesian inference through message passing for Bernoulli messages. To train the networks, we employ spike-timing-dependent plasticity, a biologically plausible mechanism for synaptic plasticity which is based on the Hebbian rule. Our results demonstrate that the network's performance closely matches the true numerical solution. We further demonstrate the versatility of our approach by implementing a factor graph example from coding theory, illustrating signal transmission over an unreliable channel.
• Abstract（参考訳）: ベイズ推論は脳機能を理解するための原則化された枠組みを提供するが、脳内の神経活動は本質的にスパイクベースである。 本稿では,ベルヌーイメッセージのメッセージパッシングを通じてベイズ推定をシミュレートするスパイクニューラルネットワークを設計することによって,これらの2つの視点を橋渡しする。 ネットワークのトレーニングには,ヘビアン則に基づく生物学的に妥当なシナプス可塑性機構であるスパイクタイピング依存の可塑性を用いる。 その結果,ネットワークの性能は真の数値解とよく一致していることがわかった。 さらに、符号化理論から因子グラフの例を実装し、信頼できないチャネル上での信号伝達を図示することで、我々のアプローチの汎用性を実証する。

関連論文リスト

• A Spiking Neural Network Implementation of Gaussian Belief Propagation [3.05103886673788]
  ベイズ推定の分散形式、すなわち因子グラフ上のメッセージパッシングについて検討する。 我々は、スパイクベースの信号として係数ノードに現れるメッセージを符号化することで、信条伝達を行う。 3つのコア線形演算、等性(分岐)、加算、乗算は、漏れやすい統合・火災モデルのネットワークで実現される。
  論文  参考訳（メタデータ） (2025-12-11T13:43:42Z)
• Biologically Plausible Learning via Bidirectional Spike-Based Distillation [47.74332895886508]
  両方向スパイクに基づく蒸留(BSD)は,フィードフォワードと後方スパイクネットワークを協調訓練する新しい学習アルゴリズムである。 BSDは、古典的なエラーバックプロパゲーションで訓練されたネットワークに匹敵する性能を達成する。 これらの発見は、ニューラルネットワークにおける生物学的基盤とスパイク駆動学習への重要な一歩である。
  論文  参考訳（メタデータ） (2025-09-24T16:17:06Z)
• Concept-Guided Interpretability via Neural Chunking [64.6429903327095]
  ニューラルネットワークは、トレーニングデータの規則性を反映した生の集団活動のパターンを示す。 神経集団レベルで繰り返しチャンクを抽出する3つの方法を提案する。 私たちの研究は、認知原則と自然主義的データの構造の両方を活用する、解釈可能性の新しい方向性を指し示しています。
  論文  参考訳（メタデータ） (2025-05-16T13:49:43Z)
• Interpreting Neural Networks through Mahalanobis Distance [0.0]
  本稿では,ニューラルネットワークの線形層とマハラノビス距離を結合する理論的枠組みを提案する。 この研究は理論的であり、経験的データを含んでいないが、提案された距離に基づく解釈は、モデルロバスト性を高め、一般化を改善し、ニューラルネットワークの決定をより直観的な説明を提供する可能性がある。
  論文  参考訳（メタデータ） (2024-10-25T07:21:44Z)
• Understanding polysemanticity in neural networks through coding theory [0.8702432681310401]
  本稿では,ネットワークの解釈可能性に関する新たな実践的アプローチと,多意味性やコードの密度に関する理論的考察を提案する。 ランダムなプロジェクションによって、ネットワークがスムーズか非微分可能かが明らかになり、コードがどのように解釈されるかを示す。 我々のアプローチは、ニューラルネットワークにおける解釈可能性の追求を前進させ、その基盤となる構造についての洞察を与え、回路レベルの解釈可能性のための新たな道を提案する。
  論文  参考訳（メタデータ） (2024-01-31T16:31:54Z)
• Manipulating Feature Visualizations with Gradient Slingshots [53.94925202421929]
  特徴可視化(FV)は、ディープニューラルネットワーク(DNN)で学んだ概念を解釈するための広く使われている手法である。 本稿では,モデルアーキテクチャを変更したり,性能を著しく劣化させたりすることなくFVの操作を可能にする新しい手法,Gradient Slingshotsを提案する。
  論文  参考訳（メタデータ） (2024-01-11T18:57:17Z)
• Reasoning with the Theory of Mind for Pragmatic Semantic Communication [62.87895431431273]
  本稿では,実用的な意味コミュニケーションフレームワークを提案する。 2つの知性エージェント間の効果的な目標指向情報共有を可能にする。 数値的な評価は、少ないビット量で効率的な通信を実現するためのフレームワークの能力を示している。
  論文  参考訳（メタデータ） (2023-11-30T03:36:19Z)
• 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)
• Statistical Physics of Deep Neural Networks: Initialization toward Optimal Channels [6.144858413112823]
  ディープラーニングでは、ニューラルネットワークは入力データとその表現の間のノイズの多いチャネルとして機能する。 ニューラルネットワークが最適なチャネルに内在する可能性について,よく見過ごされる可能性について検討する。
  論文  参考訳（メタデータ） (2022-12-04T05:13:01Z)

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。