論文の概要: The Fast Lane Hypothesis: Von Economo Neurons Implement a Biological Speed-Accuracy Tradeoff

• arxiv url: http://arxiv.org/abs/2604.09229v1
• Date: Fri, 10 Apr 2026 11:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.837277
• Title: The Fast Lane Hypothesis: Von Economo Neurons Implement a Biological Speed-Accuracy Tradeoff
• Title（参考訳）: 高速レーン仮説:フォン・エコノモニューロンが生物学的速度精度のトレードオフを示す
• Authors: Esila Keskin,
• Abstract要約: フォン・エコノモニューロン(Von Economo neurons、VENs)は、ヒト、大類人猿、セタチアンを含む複雑な社会的認知を持つ種の前帯状皮質(ACC)および前頭葉にのみ見られる大きな双極性投射ニューロンである。 前頭側頭性認知症(FTD)におけるそれらの選択的枯渇と自閉症の発達の変化は、迅速な社会的意思決定においてそれらを示唆するが、VEN関数の計算モデルはこれまで存在しなかった。 高速レーン仮説(Fast Lane hypothesis: VENs implement a biological speed-accuracy tradeoff (SAT) by a sparse, fast projection pathway that can able rapid social decisions at intention。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Von Economo neurons (VENs) are large bipolar projection neurons found exclusively in the anterior cingulate cortex (ACC) and frontal insula of species with complex social cognition, including humans, great apes, and cetaceans. Their selective depletion in frontotemporal dementia (FTD) and altered development in autism implicate them in rapid social decision-making, yet no computational model of VEN function has previously existed. We introduce the Fast Lane Hypothesis: VENs implement a biological speed-accuracy tradeoff (SAT) by providing a sparse, fast projection pathway that enables rapid social decisions at the cost of deliberate processing accuracy. We model VENs as fast leaky integrate-and-fire (LIF) neurons with membrane time constant 5 ms and sparse dendritic fan-in of eight afferents, compared to 20 ms and eighty afferents for standard pyramidal neurons, within a spiking cortical circuit of 2,000 neurons trained on a social discrimination task. Networks are evaluated under three clinically motivated conditions across 10 independent random seeds: typical (2% VENs), autism-like (0.4% VENs), and FTD-like (post-training VEN ablation). All configurations achieve equivalent asymptotic classification accuracy (99.4%), consistent with the prediction that VENs modulate decision speed rather than representational capacity. Temporal analysis confirms that VENs produce median first-spike latencies 4 ms earlier than pyramidal neurons. At a fixed decision threshold, the typical condition is significantly faster than FTD-like (t=-23.31, p<0.0001), while autism-like is intermediate (mean RT=26.91+/-9.01 ms vs. typical 20.70+/-2.02 ms; p=0.078). A preliminary evolutionary analysis shows qualitative correspondence between model-optimal VEN fraction and the primate phylogenetic gradient. To our knowledge, this is the first computational model that asks what a Von Economo neuron actually computes.
• Abstract（参考訳）: フォン・エコノモニューロン(Von Economo neurons、VENs)は、ヒト、大類人猿、セタチアンを含む複雑な社会的認知を持つ種の前帯状皮質(ACC)および前頭葉にのみ見られる大きな双極性投射ニューロンである。 前頭側頭性認知症(FTD)におけるそれらの選択的枯渇と自閉症の発達の変化は、迅速な社会的意思決定においてそれらを示唆するが、VEN関数の計算モデルはこれまで存在しなかった。 VENは、意図的な処理精度を犠牲にして、迅速な社会的決定を可能にするスパースな高速投射経路を提供することにより、生物学的な速度精度トレードオフ(SAT)を実装します。 我々は, VENを膜時間5ms, 疎樹状ファンイン8ms, 標準的な錐体ニューロン20ms, 80msの高速リーク型統合火災ニューロンとして, 社会的識別タスクで訓練された2,000ニューロンのスパイキング皮質回路内にモデル化した。 ネットワークは、典型的な(2%のVEN)、自閉症のような(0.4%のVEN)、FTDのような(訓練後のVENアブレーション)10個の無作為種子に対して、臨床的に動機付けられた3つの条件下で評価される。 すべての構成は等価な漸近的分類精度(99.4%)を達成し、VENは表現能力よりも決定速度を変調する、という予測と一致している。 時間解析により、VENは錐体ニューロンよりも4ms早く第1スパイクの潜伏速度が中央値であることが確認された。 決定しきい値において、典型的な条件はFTDライク(t=-23.31, p<0.0001)よりもかなり速く、自閉症のような状態は中間的である(平均RT=26.91+/-9.01 ms対20.70+/-2.02 ms; p=0.078)。 予備進化分析では、モデル最適VEN分画と霊長類系統勾配の質的対応を示す。 我々の知る限り、これはフォン・エコノモニューロンが実際に何を計算するかを問う最初の計算モデルである。

関連論文リスト

• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Real-Time Brain Biomechanics Prediction with Neural Operators: Toward Clinically Deployable Traumatic Brain Injury Models [0.0]
  外傷性脳損傷(TBI)は、毎年6900万人以上の患者を抱える公衆衛生上の問題となっている。 FEモデルは、脳の変形を高忠実に予測するが、計算コストが高く、シミュレーションに何時間も要する。 本研究は、脳変位場の迅速かつ患者特異的な予測のための最先端のニューラルオペレーター(NO)アーキテクチャをベンチマークする。
  論文  参考訳（メタデータ） (2025-09-26T01:48:27Z)
• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• MT-NAM: An Efficient and Adaptive Model for Epileptic Seizure Detection [51.87482627771981]
  マイクロツリーベースNAM(MT-NAM)は,最近提案されたニューラル付加モデル(NAM)に基づく蒸留モデルである。 MT-NAMは、標準のNAMと比較して、精度を損なうことなく、100$Times$の推論速度の向上を実現している。 今回我々はCHB-MITの頭皮脳波データを用いて,セッション数や発作回数の異なる24例の脳波データについて検討した。
  論文  参考訳（メタデータ） (2025-03-11T10:14:53Z)
• Artificial Neural Networks-based Real-time Classification of ENG Signals for Implanted Nerve Interfaces [7.335832236913667]
  そこで我々は,ラットの坐骨神経で測定された脳波(ENG)信号から感覚刺激を抽出するために,4種類の人工ニューラルネットワーク(ANN)を探索した。 データセットの異なるサイズは、リアルタイム分類のための調査されたANNの実現可能性を分析するために考慮される。 以上の結果から,ANNはリアルタイムアプリケーションに適しており,100ドル,200ドル以上の信号ウィンドウに対して90%以上のアキュラシーを達成でき,その処理時間も低く,病的回復に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-29T15:23:30Z)
• Addressing the speed-accuracy simulation trade-off for adaptive spiking neurons [0.0]
  本稿では,適応統合火災モデル(ALIF)をアルゴリズム的に再解釈する。 合成ベンチマークで小さなDTを用いて50ドル以上のトレーニングスピードアップを得る。 また、我々のモデルが皮質ニューロンの電気生理学的記録を迅速かつ正確に適合させる方法についても紹介する。
  論文  参考訳（メタデータ） (2023-11-19T18:21:45Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)

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。