Fugu-MT 論文翻訳(概要): RECAP: Local Hebbian Prototype Learning as a Self-Organizing Readout for Reservoir Dynamics

論文の概要: RECAP: Local Hebbian Prototype Learning as a Self-Organizing Readout for Reservoir Dynamics

arxiv url: http://arxiv.org/abs/2603.06639v1
Date: Wed, 25 Feb 2026 08:28:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-15 16:38:22.466092
Title: RECAP: Local Hebbian Prototype Learning as a Self-Organizing Readout for Reservoir Dynamics
Title（参考訳）: RECAP: 貯水池動態の自己組織的読み出しとしてのローカル・ヘビアン・プロトタイプ学習
Authors: Heng Zhang,
Abstract要約: 本稿では,ロバスト画像分類のためのバイオインスパイアされた学習戦略であるRECAP(Reservoir Computing with Hebbian Co-Activation Prototypes)を紹介する。 ReCAPは、自己組織型Hebbianプロトタイプの読み出しを伴う非訓練型貯水池力学を結合する。 MNIST-Cでは,RECAPは劣化したトレーニングサンプルに曝露することなく,多様な汚職下で頑健なままである。
参考スコア（独自算出の注目度）: 5.225064517755391
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robust perception in brains is often attributed to high-dimensional population activity together with local plasticity mechanisms that reinforce recurring structure. In contrast, most modern image recognition systems are trained by error backpropagation and end-to-end gradient optimization, which are not naturally aligned with local computation and local plasticity. We introduce RECAP (Reservoir Computing with Hebbian Co-Activation Prototypes), a bio-inspired learning strategy for robust image classification that couples untrained reservoir dynamics with a self-organizing Hebbian prototype readout. RECAP discretizes time-averaged reservoir responses into activation levels, constructs a co-activation mask over reservoir unit pairs, and incrementally updates class-wise prototype matrices via a Hebbian-like potentiation-decay rule. Inference is performed by overlap-based prototype matching. The method avoids error backpropagation and is naturally compatible with online prototype updates. We illustrate the resulting robustness behavior on MNIST-C, where RECAP remains robust under diverse corruptions without exposure to corrupted training samples.
Abstract（参考訳）: 脳内のロバストな知覚は、しばしば、繰り返し構造を補強する局所的な可塑性機構とともに、高次元の集団活動によって引き起こされる。対照的に、現代の画像認識システムのほとんどは、局所的な計算や局所的な可塑性と自然に一致しない、エラーのバックプロパゲーションとエンドツーエンドの勾配最適化によって訓練されている。本稿では,非学習型貯水池力学と自己組織型 Hebbian プロトタイプ読出とを結合した,堅牢な画像分類のためのバイオインスピレーション付き学習戦略 RECAP (Reservoir Computing with Hebbian Co-Activation Prototypes) を紹介する。 RECAPは、平均的な貯水池応答を活性化レベルに識別し、貯水池ユニットペアの上に共活性化マスクを構築し、ヘビアン様の威力低下則によってクラスワイドのプロトタイプ行列を漸進的に更新する。オーバーラップベースのプロトタイプマッチングによって推論を行う。この方法はエラーのバックプロパゲーションを回避し、オンラインのプロトタイプ更新と自然に互換性がある。 MNIST-Cでは,RECAPは劣化したトレーニングサンプルに曝露することなく,多様な汚職下で頑健なままである。

関連論文リスト

This Looks Distinctly Like That: Grounding Interpretable Recognition in Stiefel Geometry against Neural Collapse [28.864167134877885]
プロトタイプネットワークは、本質的なケースベースの説明メカニズムを提供するが、その解釈可能性はしばしばプロトタイプの崩壊によって損なわれる。適応多様体プロトタイプ (AMP) は, クラスプロトタイプを正規直交基底として表現し, ランク1のプロトタイプの崩壊を建設によって実現不可能にする。 AMPは最先端の分類精度を達成し、従来の解釈可能なモデルよりも因果的忠実性を大幅に改善する。
論文参考訳（メタデータ） (2026-03-09T13:36:54Z)
A Backpropagation-Free Feedback-Hebbian Network for Continual Learning Dynamics [0.0]
局所的な可塑性で訓練されたコンパクトなフィードバック経路は、再生と連続学習-関連するダイナミクスをサポートすることができることを示す。その結果,局所的可塑性で訓練されたコンパクトなフィードバック経路は,再生と連続学習-関連するダイナミクスをサポートすることが示唆された。
論文参考訳（メタデータ） (2026-01-11T03:25:38Z)
Protecting Deep Neural Network Intellectual Property with Chaos-Based White-Box Watermarking [2.667401221288548]
ディープニューラルネットワーク(DNN)の急速な普及により、知的財産権(IP)保護とモデル誤用に関する懸念が高まっている。 DNNの内部パラメータにオーナシップ情報を埋め込む,効率的でレジリエントなホワイトボックス透かしフレームワークを提案する。提案手法は,ホワイトボックス設定にモデルオーナシップを組み込んで検証するための,フレキシブルでスケーラブルなソリューションを提供する。
論文参考訳（メタデータ） (2025-12-18T15:26:50Z)
Feedback Alignment Meets Low-Rank Manifolds: A Structured Recipe for Local Learning [7.034739490820967]
バックプロパゲーション(BP)を用いたディープニューラルネットワーク(DNN)のトレーニングは、最先端の精度を実現するが、大域的なエラー伝搬と完全なパラメータ化が必要である。ダイレクトフィードバックアライメント(DFA)は、メモリ要件の低いローカルで並列化可能な更新を可能にする。低ランク多様体上で直接動作する構造化局所学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-29T15:03:46Z)
Rethinking Hebbian Principle: Low-Dimensional Structural Projection for Unsupervised Learning [17.299267108673277]
ヘビアンラーニング(Hebbian learning)は、ニューロンが繰り返し刺激によって接続をどのように適応するかを直感的に記述する生物学的原理である。本稿では,新しい教師なし学習手法である構造投影ヘビアン表現(SPHeRe)を紹介する。実験結果から,SPHeReは教師なしシナプス可塑性アプローチにおいてSOTA性能を実現することが示された。
論文参考訳（メタデータ） (2025-10-16T15:47:29Z)
Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文参考訳（メタデータ） (2025-09-03T18:05:02Z)
Auto-Compressing Networks [51.221103189527014]
本稿では,各層からの長いフィードフォワード接続が従来の短残コネクションに取って代わるアーキテクチャ変種であるAuto-compression Networks (ACNs)を紹介する。本稿では,ACNが残差ネットワークと比較して高雑音を示すこと,低データ設定における優れた性能を示すこと,破滅的忘れを軽減できることを述べる。これらの知見は、効率的な神経アーキテクチャを開発するための実践的なアプローチとしてACNを確立している。
論文参考訳（メタデータ） (2025-06-11T13:26:09Z)
Meta-Representational Predictive Coding: Biomimetic Self-Supervised Learning [51.22185316175418]
メタ表現予測符号化(MPC)と呼ばれる新しい予測符号化方式を提案する。 MPCは、並列ストリームにまたがる感覚入力の表現を予測することを学ぶことによって、感覚入力の生成モデルを学ぶ必要性を助長する。
論文参考訳（メタデータ） (2025-03-22T22:13:14Z)
PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文参考訳（メタデータ） (2024-09-24T07:57:21Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。