論文の概要: Associative Memory using Attribute-Specific Neuron Groups-2: Learning and Sequential Associative Recall between Cue Neurons for different Cue Balls

• arxiv url: http://arxiv.org/abs/2603.24910v1
• Date: Thu, 26 Mar 2026 00:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.033663
• Title: Associative Memory using Attribute-Specific Neuron Groups-2: Learning and Sequential Associative Recall between Cue Neurons for different Cue Balls
• Title（参考訳）: 属性特異的ニューロン群を用いた連想記憶-2:異なるキューボールに対するキューニューロン間の学習と逐次連想リコール
• Authors: Hiroshi Inazawa,
• Abstract要約: 本稿では,複数の属性を画像として学習し,学習した記憶の逐次的リコールを行うニューラルネットワークモデルを提案する。 本研究で作成した属性処理システムは,色属性処理用C.CB-RNシステム,形状属性処理用S.CB-RNシステム,サイズ属性処理用V.CB-RNシステム,星座名処理用SV.CB-RNシステムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces a neural network model that learns multiple attributes as images and performs associated, sequential recall of the learned memories. Briefly, the model presented here is an associative memory model that extends previous models [1] by increasing the number of attributes. In the real world, memory recall generates a chain of associations consisting of complex and diverse data with meaningful relations. However, because this experimental system is designed to implement and verify the processing operations behind such operations, we believe it is not a problem if the associative memory (i.e., the chain of data) is composed of attributes that do not necessarily have clear relation with each other. Accordingly, the attribute-processing systems prepared in this study consist of five types: the C.CB-RN system for processing color attributes, the S.CB-RN system for shape attributes, and the V.CB-RN system for size attributes, as adopted in our previous paper [1], as well as the SV.CB-RN system for processing the names of the world's most beautiful scenery (spectacular view names) and the CN.CB-RN system for processing constellation names. As before, the data presented to each CB-RN system are represented as image patterns using QR codes [2]. These five types of CB-RN systems will be combined and trained with QR code pattern images of the attribute elements of each system. After that, when a pattern image of an attribute element is presented to any of the CB-RN systems, a mechanism will be constructed in which a chain (associative) recall of pattern images of related attribute elements in the other trained systems will be generated.
• Abstract（参考訳）: 本稿では,複数の属性を画像として学習し,学習した記憶の逐次的リコールを行うニューラルネットワークモデルを提案する。 簡単に言うと、ここで提示されるモデルは連想記憶モデルであり、属性の数を増やして以前のモデル [1] を拡張する。 実世界では、メモリリコールは、意味のある関係を持つ複雑で多様なデータからなる一連の関連を生成する。 しかし、この実験システムは、そのような操作の背後にある処理操作を実装し、検証するために設計されているため、連想メモリ(すなわち、データの連鎖)が必ずしも相互に明確な関係を持たない属性で構成されている場合、問題ではないと信じている。 本研究で作成した属性処理システムは, カラー属性処理用C.CB-RNシステム, 形状属性処理用S.CB-RNシステム, サイズ属性処理用V.CB-RNシステム, および, 世界で最も美しい風景(視線図名)の名前処理用SV.CB-RNシステムと, コンステレーション名処理用CN.CB-RNシステムである。 前述したように、各CB-RNシステムに提示されるデータはQRコード[2]を用いて画像パターンとして表現される。 これら5種類のCB-RNシステムは、各システムの属性要素のQRコードパターン画像と組み合わせて訓練される。 その後、CB-RNシステムのいずれかに属性要素のパターン画像が提示されると、他の訓練されたシステム内の関連する属性要素のパターン画像の連鎖(連想的)リコールを生成する機構を構築する。

関連論文リスト

• Associative Memory using Attribute-Specific Neuron Groups-1: Learning between Multiple Cue Balls [0.0]
  提案モデルは,Cue Ball と Recall Net を用いた複数画像のメモリとリコールに関する以前の研究に基づいている。 システムを構成する3つのコンポーネントは、色を処理するためのC.CB-RN、形状を処理するためのS.CB-RN、サイズを処理するためのV.CB-RNである。
  論文  参考訳（メタデータ） (2025-12-02T01:28:45Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Cross-Stitched Multi-task Dual Recursive Networks for Unified Single Image Deraining and Desnowing [70.24489870383027]
  本稿では,統合デライニングとデリーディングを対象とするマルチタスク統合デュアル再帰ネットワーク(CMUDRN)モデルを提案する。 提案モデルは,2つの別々のDual Recursive Network(DRN)モデル間でマルチタスク学習を可能にするクロススティッチユニットを利用する。
  論文  参考訳（メタデータ） (2022-11-15T16:44:53Z)
• Brain-like combination of feedforward and recurrent network components achieves prototype extraction and robust pattern recognition [0.0]
  連想記憶は、大々的に繰り返される新皮質ネットワークによって実行される計算の有力候補である。 我々は,非教師付きヘビアン・ベイズ学習規則を用いて分散表現を学習するフィードフォワードネットワークに,繰り返しアトラクタネットワークを結合する。 本研究では, フィードフォワード駆動型内部(隠れた)表現のトレーニングにおいて, 繰り返しアトラクタコンポーネントが連想メモリを実装していることを示す。
  論文  参考訳（メタデータ） (2022-06-30T06:03:11Z)
• A STDP-based Encoding Algorithm for Associative and Composite Data [0.0]
  本研究は,STDPをベースとした,高次元連想データの保存と検索が可能な実用的なメモリモデルを提案する。 このモデルは、STDPダイナミクスと分散表現の符号化スキームを組み合わせることで、連続的に複数の複合データを処理することができる。
  論文  参考訳（メタデータ） (2021-04-25T20:26:52Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
  本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。 より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
  論文  参考訳（メタデータ） (2021-03-05T10:46:16Z)
• A Novel ANN Structure for Image Recognition [0.0]
  本稿では,画像認識のためのニューラルモデルであるARN(Multi-layer Auto Resonance Networks)を提案する。 Nodesと呼ばれるALNのニューロンは、入力が"カバー"内にあるとき、入力パターンにラッチオンして共鳴する
  論文  参考訳（メタデータ） (2020-10-09T14:07:29Z)
• Neural Cellular Automata Manifold [84.08170531451006]
  ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。 これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。 生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
  論文  参考訳（メタデータ） (2020-06-22T11:41:57Z)

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。