論文の概要: Topological Sensitivity in Connectome-Constrained Neural Networks

• arxiv url: http://arxiv.org/abs/2604.04033v1
• Date: Sun, 05 Apr 2026 09:23:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.883298
• Title: Topological Sensitivity in Connectome-Constrained Neural Networks
• Title（参考訳）: コネクトーム拘束型ニューラルネットワークのトポロジカル感度
• Authors: Nalin Dhiman,
• Abstract要約: コネクトームに制約されたニューラルネットワークは、しばしばスパースランダム制御に対して評価され、生物学的グラフトポロジーが学習効率を向上させる証拠として解釈される。 我々は、ショウジョウバエコネクトーム、単純自己ループ整合ランダムグラフ、および次数保存ヌクレオチドを用いて、制御されたフライバイに基づく研究において、この主張を再考する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Connectome-constrained neural networks are often evaluated against sparse random controls and then interpreted as evidence that biological graph topology improves learning efficiency. We revisit that claim in a controlled flyvis-based study using a Drosophila connectome, a naive self-loop-matched random graph, and a degree-preserving rewired null. Under weak controls, in which both models were recovered from a connectome-trained checkpoint and the null matched only global graph counts, the connectome appeared substantially better in early loss, mean activity, and runtime. That picture changed under stricter controls. Training both graphs from a shared random initialization removed the early loss advantage, and replacing the naive null by a degree-preserving null removed the apparent activity advantage. A five-sample degree-preserving ensemble and a pre-training activity-scale diagnostic further strengthened this revised interpretation. We also report a descriptive mechanism analysis of the earlier weak-control comparison, but we treat it as behavioral characterization rather than proof of causal superiority. We show that previously reported topology advantages in connectome-constrained neural networks can arise from initialization and null-model confounds, and largely disappear under fair from-scratch initialization and degree-preserving controls.
• Abstract（参考訳）: コネクトームに制約されたニューラルネットワークは、しばしばスパースランダム制御に対して評価され、生物学的グラフトポロジーが学習効率を向上させる証拠として解釈される。 我々は、ショウジョウバエコネクトーム、単純自己ループ整合ランダムグラフ、および次数保存ヌクレオチドを用いて、制御されたフライバイに基づく研究において、この主張を再考する。 弱い制御の下では、両方のモデルがコネクトーム訓練されたチェックポイントから復元され、ヌルがグローバルグラフ数に一致した場合、コネクトームは早期の損失、平均アクティビティ、実行時に著しく改善された。 その絵はより厳格なコントロールの下で変わった。 共有ランダム初期化から両方のグラフをトレーニングすることで、早期の損失優位性を排除し、難解なnullを次数保存のnullに置き換えることで、明らかなアクティビティ優位性を排除した。 5サンプル保存アンサンブルとトレーニング前の活動スケール診断により,この解釈がさらに強化された。 また、初期の弱制御比較の記述的メカニズム解析も報告するが、因果優越性の証明ではなく、行動的特徴として扱う。 従来報告されたコネクトーム制約ニューラルネットワークのトポロジ上の利点は,初期化とヌルモデル整合性から生じる可能性があり,初期化と次数保存の制御の下ではほとんど失われることが示唆された。

関連論文リスト

• Decorrelating neurons using persistence [29.25969187808722]
  2つの正規化項は、クリッドの最小スパンニングツリーの重みから計算される。 ニューロン間の相関関係を最小化することで、正規化条件よりも低い精度が得られることを示す。 正規化の可微分性の証明を含むので、最初の効果的なトポロジカルな永続性に基づく正規化用語を開発することができる。
  論文  参考訳（メタデータ） (2023-08-09T11:09:14Z)
• Learning a Neuron by a Shallow ReLU Network: Dynamics and Implicit Bias for Correlated Inputs [5.7166378791349315]
  我々は、単一ニューロンを学習する基本的な回帰タスクとして、1つの隠れた層ReLUネットワークをトレーニングすると、損失がゼロとなることを証明した。 また、最小ランクの補間ネットワークと最小ユークリッドノルムの補間ネットワークのこの設定において、驚くべき区別を示し、特徴付ける。
  論文  参考訳（メタデータ） (2023-06-10T16:36:22Z)
• Neural Networks with Sparse Activation Induced by Large Bias: Tighter Analysis with Bias-Generalized NTK [86.45209429863858]
  ニューラル・タンジェント・カーネル(NTK)における一層ReLUネットワークのトレーニングについて検討した。 我々は、ニューラルネットワークが、テクティトビア一般化NTKと呼ばれる異なる制限カーネルを持っていることを示した。 ニューラルネットの様々な特性をこの新しいカーネルで研究する。
  論文  参考訳（メタデータ） (2023-01-01T02:11:39Z)
• Can pruning improve certified robustness of neural networks? [106.03070538582222]
  ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。 実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。 さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
  論文  参考訳（メタデータ） (2022-06-15T05:48:51Z)
• Early Stage Convergence and Global Convergence of Training Mildly Parameterized Neural Networks [3.148524502470734]
  トレーニングの初期段階において,損失はかなりの量減少し,この減少は急速に進行することを示す。 我々は、ニューロンの活性化パターンを顕微鏡で解析し、勾配のより強力な下界を導出するのに役立つ。
  論文  参考訳（メタデータ） (2022-06-05T09:56:50Z)
• How does unlabeled data improve generalization in self-training? A one-hidden-layer theoretical analysis [93.37576644429578]
  この研究は、既知の反復的自己学習パラダイムに関する最初の理論的分析を確立する。 トレーニング収束と一般化能力の両面で、ラベルなしデータの利点を実証する。 また、浅部ニューラルネットワークから深部ニューラルネットワークへの実験は、我々の確立した自己学習に関する理論的知見の正しさを正当化するものである。
  論文  参考訳（メタデータ） (2022-01-21T02:16:52Z)
• Correlation Analysis between the Robustness of Sparse Neural Networks and their Random Hidden Structural Priors [0.0]
  本稿では,グラフ理論特性とスパースニューラルネットワークの頑健性との間にある既存の相関関係について検討することを目的とする。 我々の仮説は、ニューラルネットワーク構造の前駆体としてのグラフ理論的性質は、その堅牢性に関係している、というものである。
  論文  参考訳（メタデータ） (2021-07-13T15:13:39Z)
• Feature Purification: How Adversarial Training Performs Robust Deep Learning [66.05472746340142]
  ニューラルネットワークのトレーニングプロセス中に隠れた重みに、特定の小さな密度の混合物が蓄積されることが、敵の例の存在の原因の1つであることを示す。 この原理を説明するために、CIFAR-10データセットの両実験と、ある自然な分類タスクに対して、ランダムな勾配勾配勾配を用いた2層ニューラルネットワークをトレーニングすることを証明する理論的結果を示す。
  論文  参考訳（メタデータ） (2020-05-20T16:56:08Z)

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。