論文の概要: BioNIC: Biologically Inspired Neural Network for Image Classification Using Connectomics Principles

• arxiv url: http://arxiv.org/abs/2601.20876v1
• Date: Tue, 20 Jan 2026 08:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.336905
• Title: BioNIC: Biologically Inspired Neural Network for Image Classification Using Connectomics Principles
• Title（参考訳）: バイオニック:コネクトロミクス原理を用いた画像分類のためのバイオニューラルネットワーク
• Authors: Diya Prasanth, Matthew Tivnan,
• Abstract要約: 我々は、MICrONsデータセットからの詳細なシナプス接続グラフにインスパイアされた感情分類のためのフィードフォワードニューラルネットワークであるBioNICを提案する。 構造レベルでは、マウス一次視覚皮質(V1)の1つの皮質列から導かれる構造的制約を組み込む。 機能レベルでは, ホメオスタディレギュレーションを伴うヘビアンシナプス可塑性, 層正規化, 知覚入力における自然変動に対するデータ露出のモデル化, 神経性モデリングのためのシナプスノイズ。
• 参考スコア（独自算出の注目度）: 2.2344764434954256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present BioNIC, a multi-layer feedforward neural network for emotion classification, inspired by detailed synaptic connectivity graphs from the MICrONs dataset. At a structural level, we incorporate architectural constraints derived from a single cortical column of the mouse Primary Visual Cortex(V1): connectivity imposed via adjacency masks, laminar organization, and graded inhibition representing inhibitory neurons. At the functional level, we implement biologically inspired learning: Hebbian synaptic plasticity with homeostatic regulation, Layer Normalization, data augmentation to model exposure to natural variability in sensory input, and synaptic noise to model neural stochasticity. We also include convolutional layers for spatial processing, mimicking retinotopic mapping. The model performance is evaluated on the Facial Emotion Recognition task FER-2013 and compared with a conventional baseline. Additionally, we investigate the impacts of each biological feature through a series of ablation experiments. While connectivity was limited to a single cortical column and biologically relevant connections, BioNIC achieved performance comparable to that of conventional models, with an accuracy of 59.77 $\pm$ 0.27% on FER-2013. Our findings demonstrate that integrating constraints derived from connectomics is a computationally plausible approach to developing biologically inspired artificial intelligence systems. This work also highlights the potential of new generation peta-scale connectomics data in advancing both neuroscience modeling and artificial intelligence.
• Abstract（参考訳）: 我々は、感情分類のための多層フィードフォワードニューラルネットワークであるBioNICについて、MICrONsデータセットからの詳細なシナプス接続グラフから着想を得た。 構造レベルでは,マウス一次視覚皮質(V1)の1つの皮質列から導かれる構造的制約を取り入れた。 機能レベルでは, ホメオスタディレギュレーションを伴うヘビアンシナプスの可塑性, 層正規化, 知覚入力における自然変動に対するデータ露出のモデル化, 神経確率をモデル化するためのシナプスノイズなど, 生物学的にインスピレーションを受けた学習を実践する。 また,レチノトピックマッピングを模倣した空間処理のための畳み込み層も含む。 モデル性能は表情認識タスクFER-2013で評価され,従来のベースラインと比較された。 さらに, それぞれの生物学的特徴の影響について, 一連のアブレーション実験により検討した。 接続は単一の皮質列と生物学的に関連のある接続に限られていたが、BioNICは従来のモデルに匹敵する性能を達成し、精度は FER-2013 で 59.77$\pm$ 0.27% となった。 この結果から,コネクトロミクスによる制約の統合は,生物学的にインスパイアされた人工知能システムを開発する上で,計算学的に妥当なアプローチであることが示唆された。 この研究は、ニューロサイエンスモデリングと人工知能の両方を前進させる新しい世代のペタスケールコネクトロミクスデータの可能性を強調している。

関連論文リスト

• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Graph-Based Representation Learning of Neuronal Dynamics and Behavior [2.3859858429583665]
  本稿では,時間変動ニューロン接続をモデル化する新しいフレームワークTAVRNNを紹介する。 TAVRNNは、解釈可能な集団レベルの表現を維持しながら、単一単位レベルで潜伏ダイナミクスを学習する。 TAVRNNは,(1)自由行動ラットの電気生理学的データ,(2)到達作業中の霊長類体性感覚皮質記録,(3)仮想ゲーム環境と相互作用するDishBrainプラットフォーム内の生物学的ニューロンの3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• Neural Dynamics Model of Visual Decision-Making: Learning from Human Experts [28.340344705437758]
  視覚入力から行動出力まで,包括的な視覚的意思決定モデルを実装した。 我々のモデルは人間の行動と密接に一致し、霊長類の神経活動を反映する。 ニューロイメージング・インフォームド・ファインチューニング手法を導入し、モデルに適用し、性能改善を実現した。
  論文  参考訳（メタデータ） (2024-09-04T02:38:52Z)
• Unsupervised representation learning with Hebbian synaptic and structural plasticity in brain-like feedforward neural networks [0.0]
  教師なし表現学習が可能な脳様ニューラルネットワークモデルを導入,評価する。 このモデルは、一般的な機械学習ベンチマークのさまざまなセットでテストされた。
  論文  参考訳（メタデータ） (2024-06-07T08:32:30Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• 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)
• Predicting Biomedical Interactions with Probabilistic Model Selection for Graph Neural Networks [5.156812030122437]
  現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。 ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。 提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
  論文  参考訳（メタデータ） (2022-11-22T20:44:28Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)

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。