論文の概要: A computational account of dreaming: learning and memory consolidation

• arxiv url: http://arxiv.org/abs/2602.04095v1
• Date: Wed, 04 Feb 2026 00:09:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.318285
• Title: A computational account of dreaming: learning and memory consolidation
• Title（参考訳）: 夢の計算的説明--学習と記憶の融合
• Authors: Qi Zhang,
• Abstract要約: 本研究では,夢の過程の認知的・計算的モデルを提案する。 海馬から自発的にランダムに活性化される信号を処理する脳の覚醒活動の継続として提案されている。
• 参考スコア（独自算出の注目度）: 8.156069657157342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A number of studies have concluded that dreaming is mostly caused by randomly arriving internal signals because "dream contents are random impulses", and argued that dream sleep is unlikely to play an important part in our intellectual capacity. On the contrary, numerous functional studies have revealed that dream sleep does play an important role in our learning and other intellectual functions. Specifically, recent studies have suggested the importance of dream sleep in memory consolidation, following the findings of neural replaying of recent waking patterns in the hippocampus. The randomness has been the hurdle that divides dream theories into either functional or functionless. This study presents a cognitive and computational model of dream process. This model is simulated to perform the functions of learning and memory consolidation, which are two most popular dream functions that have been proposed. The simulations demonstrate that random signals may result in learning and memory consolidation. Thus, dreaming is proposed as a continuation of brain's waking activities that processes signals activated spontaneously and randomly from the hippocampus. The characteristics of the model are discussed and found in agreement with many characteristics concluded from various empirical studies.
• Abstract（参考訳）: 多くの研究が、ドリーム睡眠は「夢の内容がランダムな衝動である」ため、ランダムに内部信号が届くことで引き起こされると結論付けており、ドリーム睡眠は私たちの知的能力において重要な役割を果たさないと論じている。 それとは対照的に、多くの機能的研究により、ドリーム睡眠が学習やその他の知的機能に重要な役割を果たすことが明らかになっている。 特に、最近の研究は、最近の海馬の覚醒パターンの神経的リプレイングの発見に続いて、記憶統合におけるドリーム睡眠の重要性を示唆している。 ランダム性は夢の理論を機能的または無機能に分割するハードルとなっている。 本研究では,夢の過程の認知的・計算的モデルを提案する。 このモデルは、これまでに提案された2つの最も一般的なドリーム関数である学習と記憶の統合の機能をシミュレートする。 シミュレーションにより、ランダム信号が学習と記憶の融合をもたらすことを示した。 このように、夢は海馬から自然にランダムに活性化される信号を処理する脳の覚醒活動の継続として提案される。 モデルの特徴について考察し,様々な実証研究から得られた多くの特徴と一致して考察した。

関連論文リスト

• Beyond Memorization: Extending Reasoning Depth with Recurrence, Memory and Test-Time Compute Scaling [60.63703438729223]
  異なるアーキテクチャとトレーニング手法がモデル多段階推論能力にどのように影響するかを示す。 我々は,逐次計算においてモデル深度の増加が重要な役割を担っていることを確認した。
  論文  参考訳（メタデータ） (2025-08-22T18:57:08Z)
• Making Your Dreams A Reality: Decoding the Dreams into a Coherent Video Story from fMRI Signals [46.90535445975669]
  本稿では,マルチメディアコミュニティにおける勇敢な新しいアイデアについて考察し,夢をコヒーレントなビデオ物語に変換するための新しい枠組みを提案する。 脳イメージングの最近の進歩、特に機能的磁気共鳴イメージング(fMRI)は、夢の神経基盤を探索する新しい方法を提供してきた。 主観的な夢体験と客観的な神経生理学的データを組み合わせることで、夢の視覚的側面を理解し、完全なビデオ物語を作成することを目指す。
  論文  参考訳（メタデータ） (2025-01-16T08:03:49Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Domain Invariant Representation Learning and Sleep Dynamics Modeling for Automatic Sleep Staging [6.86283473936335]
  ニューラルネットワークに基づく睡眠ステージングモデルDREAMを提案し,生理的信号とモデル睡眠ダイナミクスから領域一般化表現を学習する。 DREAMは、様々な被験者の睡眠信号から睡眠関連および被写体不変表現を学習し、シーケンシャル信号セグメントと睡眠ステージ間の相互作用を捉えて睡眠ダイナミクスをモデル化する。 睡眠ステージ予測実験,ケーススタディ,ラベルなしデータの使用,不確実性など,DREAMの優位性を示すための総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2023-12-06T00:28:08Z)
• 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)
• Continual learning benefits from multiple sleep mechanisms: NREM, REM, and Synaptic Downscaling [51.316408685035526]
  先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。 本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2022-09-09T13:45:27Z)
• Memory semantization through perturbed and adversarial dreaming [0.7874708385247353]
  本稿では, 高速眼球運動(REM)ドリームが, 効率的なメモリセマンティゼーションに欠かせないことを提案する。 我々はGAN(Generative Adversarial Network)にインスパイアされた階層的なフィードフォワードとフィードバック経路を備えた皮質アーキテクチャを実装した。 以上の結果から,REM睡眠時の敵の夢は記憶内容の抽出に不可欠であり,NREM睡眠時の夢は雑音の知覚入力に対する潜伏表現の堅牢性を向上させることが示唆された。
  論文  参考訳（メタデータ） (2021-09-09T13:31:13Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。