論文の概要: Impact of leaky dynamics on predictive path integration accuracy in recurrent neural networks

• arxiv url: http://arxiv.org/abs/2604.16547v1
• Date: Fri, 17 Apr 2026 06:10:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 14:34:07.95566
• Title: Impact of leaky dynamics on predictive path integration accuracy in recurrent neural networks
• Title（参考訳）: リカレントニューラルネットワークの予測経路積分精度に及ぼす漏洩ダイナミクスの影響
• Authors: Yanlin Zhang, Yan Zhang, Muhua Zheng, Kesheng Xu,
• Abstract要約: リカレントニューラルネットワーク(RNN)におけるリーク項による適応時間スケールの導入 以上の結果から, 漏洩したRNNは, 明確に定義された, 極めて規則的な六方晶発火パターンの出現を著しく促進することがわかった。 同一の雑音条件下では、漏れやすいRNNはより安定した力学とより定義されたグリッド構造を示す。
• 参考スコア（独自算出の注目度）: 2.8860609916462647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Experimental evidence indicates that intrinsic temporal dynamics operating across multiple time scales are closely associated with the emergence of periodic spatial activity of increasing complexity. However, how information encoded in grid-like firing patterns for path integration is processed across these intrinsic time scales remains unclear. To address this question, we introduce adaptive time scales through a leak term in recurrent neural networks (RNNs), forming leaky RNNs discretized from the continuous attractors of firing rate models. Our results demonstrate that leaky RNNs substantially enhance the emergence of well-defined and highly regular hexagonal firing patterns. Compared with vanilla RNNs lacking a leak term, the trained leaky RNNs produce more accurate position estimates while generating reliable grid-cell-like representations. Furthermore, under identical noise conditions, leaky RNNs consistently exhibit more stable dynamics and better-defined grid structures. The learned dynamics also give rise to stable torus attractors with a clear central hole, supporting robust and regular grid-like activity. Overall, the dynamic leak acts as a low-pass filtering mechanism that protects recurrent neural circuitry from noise, stabilizes network dynamics, and improves path-integration accuracy in recurrent neural networks.
• Abstract（参考訳）: 実験的な証拠は、複数の時間スケールで動作する固有の時間力学が、複雑さを増す周期的空間活動の出現と密接に関連していることを示している。 しかし、これらの固有時間スケールにわたって、格子状焼成パターンで符号化された情報がどう処理されるかは、まだ不明である。 この問題に対処するために、リカレントニューラルネットワーク(RNN)のリーク項を通して適応時間スケールを導入し、連続的なアトラクタから識別されるリークRNNを生成する。 以上の結果から, 漏洩したRNNは, 明確に定義された, 極めて規則的な六方晶発火パターンの出現を著しく促進することがわかった。 リーク項を欠いたバニラRNNと比較して、トレーニングされたリークRNNは、信頼性の高いグリッドセルのような表現を生成しながら、より正確な位置推定を生成する。 さらに、同じ雑音条件下では、漏れやすいRNNはより安定した動的およびより定義されたグリッド構造を示す。 学習されたダイナミクスは、安定なトーラスの引力を引き付け、明確な中心孔を持ち、頑健で規則的な格子状活動をサポートする。 全体として、ダイナミックリークは低パスフィルタリング機構として機能し、リカレントニューラルネットワークをノイズから保護し、ネットワークダイナミクスを安定化し、リカレントニューラルネットワークのパス積分精度を向上させる。

関連論文リスト

• SpikingGamma: Surrogate-Gradient Free and Temporally Precise Online Training of Spiking Neural Networks with Smoothed Delays [1.5166105038254163]
  スパイキングニューラルネットワーク(SNN)は、スパースでイベント駆動の計算を通じて、エネルギー効率の高い低レイテンシAIを約束する。 しかし、微細な時間的離散化の下でのSNNのトレーニングは依然として大きな課題であり、低レイテンシ応答性とソフトウェアで訓練されたSNNの効率的なハードウェアへのマッピングを妨げている。 このSpykingGammaモデルでは,スロゲート勾配を使わずに直接エラーバックプロパゲーションをサポートし,オンライン的に最小のスパイクで微妙な時間パターンを学習し,複雑なタスクやベンチマークに競合精度でフィードフォワードSNNを拡張できることが示されている。
  論文  参考訳（メタデータ） (2026-02-02T11:35:16Z)
• ChronoPlastic Spiking Neural Networks [0.0]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワークに代わる生物学的基盤とエネルギー効率のよい代替手段を提供する。 CPSNNは時間的制御を直接局所シナプス力学に組み込む。 CPSNNは、標準のSNNベースラインよりもはるかに高速で信頼性の高い長期的依存関係を学習する。
  論文  参考訳（メタデータ） (2025-12-17T06:58:04Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Nonlinear Neural Dynamics and Classification Accuracy in Reservoir Computing [3.196204482566275]
  複雑度の異なる人工分類タスクにおける貯水池コンピュータの精度について検討する。 極端に非線形性が低下した活性化関数や弱いリカレント相互作用、小さな入力信号であっても、貯水池は有用な表現を計算することができる。
  論文  参考訳（メタデータ） (2024-11-15T08:52:12Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Inferring, Predicting, and Denoising Causal Wave Dynamics [3.9407250051441403]
  DISTANA(Distributed Artificial Neural Network Architecture)は、グラフ畳み込みニューラルネットワークである。 DISTANAは、再帰パターンが観測されるので、データストリームを飾るのに非常に適していることを示す。 安定かつ正確なクローズドループ予測を数百の時間ステップで生成する。
  論文  参考訳（メタデータ） (2020-09-19T08:33:53Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。