論文の概要: Explore Brain-Inspired Machine Intelligence for Connecting Dots on Graphs Through Holographic Blueprint of Oscillatory Synchronization

• arxiv url: http://arxiv.org/abs/2602.00057v1
• Date: Tue, 20 Jan 2026 02:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.286547
• Title: Explore Brain-Inspired Machine Intelligence for Connecting Dots on Graphs Through Holographic Blueprint of Oscillatory Synchronization
• Title（参考訳）: 振動同期のホログラフィー・ブループリントによるグラフ上のドット接続のための脳インスパイアされたマシンインテリジェンス探索
• Authors: Tingting Dan, Jiaqi Ding, Guorong Wu,
• Abstract要約: まず,脳のリズムを,HoloBrainと呼ばれる自発同期神経振動の干渉によってモデル化した。 結合振動の人工力学系を用いた脳リズムのモデル化の成功は、HoloGraphと呼ばれる共有同期機構に基づく脳にインスパイアされたマシンインテリジェンスの「第一原理」を動機付けている。 私たちのHoloGraphフレームワークは、グラフニューラルネットワークにおける過度に滑らかな問題を効果的に緩和するだけでなく、グラフ上の問題を推論し解決する強力な可能性も示しています。
• 参考スコア（独自算出の注目度）: 12.374727945483594
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural coupling in both neuroscience and artificial intelligence emerges as dynamic oscillatory patterns that encode abstract concepts. To this end, we hypothesize that a deeper understanding of the neural mechanisms governing brain rhythms can inspire next-generation design principles for machine learning algorithms, leading to improved efficiency and robustness. Building on this idea, we first model evolving brain rhythms through the interference of spontaneously synchronized neural oscillations, termed HoloBrain. The success of modeling brain rhythms using an artificial dynamical system of coupled oscillations motivates a "first principle" for brain-inspired machine intelligence based on a shared synchronization mechanism, termed HoloGraph. This principle enables graph neural networks to move beyond conventional heat diffusion paradigms toward modeling oscillatory synchronization. Our HoloGraph framework not only effectively mitigates the over-smoothing problem in graph neural networks but also demonstrates strong potential for reasoning and solving challenging problems on graphs.
• Abstract（参考訳）: 神経科学と人工知能の両方における神経結合は、抽象概念を符号化する動的振動パターンとして現れる。 この目的のために、脳リズムを管理する神経機構の深い理解は、機械学習アルゴリズムの次世代設計原則を刺激し、効率と堅牢性を向上させることができると仮定する。 このアイデアに基づいて、我々はまず、HoloBrainと呼ばれる自然に同期した神経振動の干渉を通じて、脳リズムをモデル化する。 結合振動の人工力学系を用いた脳リズムのモデル化の成功は、HoloGraphと呼ばれる共有同期機構に基づく脳にインスパイアされたマシンインテリジェンスの「第一原理」を動機付けている。 この原理により、グラフニューラルネットワークは従来の熱拡散パラダイムを超えて振動同期をモデル化できる。 私たちのHoloGraphフレームワークは、グラフニューラルネットワークにおける過度に滑らかな問題を効果的に緩和するだけでなく、グラフ上の問題を推論し解決する強力な可能性も示しています。

関連論文リスト

• BrainVista: Modeling Naturalistic Brain Dynamics as Multimodal Next-Token Prediction [20.44304015989378]
  脳状態の因果進化をモデル化するためのマルチモーダル自己回帰フレームワークであるBrainVistaを紹介する。 BrainVistaは、ネットワークワイドのトケナイザを組み込んで、システム固有のダイナミクスと、ネットワーク間の情報フローをキャプチャするSpatial Mixer Headを分離する。 我々はAlgonauts 2025, CineBrain, HADのフレームワークを検証し, 最先端のfMRI符号化性能を実現する。
  論文  参考訳（メタデータ） (2026-02-04T13:00:06Z)
• Neural Manifolds and Cognitive Consistency: A New Approach to Memory Consolidation in Artificial Systems [0.0]
  本稿では, ニューラル人口動態, 海馬鋭波リップル(SpWR)生成, ハイダー理論に触発された認知的一貫性の制約を統一する新しい数学的枠組みを提案する。 我々のモデルは低次元多様体表現を利用して構造化された神経ドリフトを捕捉し、コヒーレントシナプス相互作用を強制するためにバランスエネルギー関数を組み込む。 この研究は、神経科学と人工知能を橋渡しするスケーラブルなニューロモルフィックアーキテクチャの道を開くもので、将来のインテリジェントシステムに対してより堅牢で適応的な学習メカニズムを提供する。
  論文  参考訳（メタデータ） (2025-02-25T18:28:25Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  神経科学とAIの両方では、ニューロン間の'バインディング'が、ネットワークの深い層においてより抽象的な概念を表現するために表現を圧縮する、競争的な学習の形式につながることが知られている。 完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。 このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、定量化、推論など、幅広いタスクにわたるパフォーマンス改善を提供する。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• 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)
• Personalized identification, prediction, and stimulation of neural oscillations via data-driven models of epileptic network dynamics [0.0]
  脳波データから直接ててんかん性ネットワークダイナミクスの予測モデルを抽出するフレームワークを開発する。 本研究では,周期運転下での脳ネットワーク力学モデル間の直接対応を構築することができることを示す。 このことは、周期的な脳刺激がてんかん性ネットワークの病態状態を正常な機能的脳状態へと導くことを示唆している。
  論文  参考訳（メタデータ） (2023-10-20T13:21:31Z)
• 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)
• Controlling Recurrent Neural Networks by Conceptors [0.5439020425818999]
  本稿では, 非線形力学と概念抽象と論理の基本原理を結合した, 概念論という, 神経力学の機構を提案する。 単一のニューラルネットワーク内の多数の動的パターンを学習、保存、抽象化、フォーカス、モーフィック、一般化、デノイズ化、認識することが可能になります。
  論文  参考訳（メタデータ） (2014-03-13T18:58:37Z)

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。