論文の概要: NeuroViz: Real-time Interactive Visualization of Forward and Backward Passes in Neural Network Training

• arxiv url: http://arxiv.org/abs/2605.02044v1
• Date: Sun, 03 May 2026 20:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.057655
• Title: NeuroViz: Real-time Interactive Visualization of Forward and Backward Passes in Neural Network Training
• Title（参考訳）: NeuroViz: ニューラルネットワークトレーニングにおける前方パスと後方パスのリアルタイムインタラクティブ可視化
• Authors: Reza Rawassizadeh, Tanvi Sharma,
• Abstract要約: NeuroVizは、完全に接続されたニューラルネットワークトレーニングのリアルタイム探索をサポートする、インタラクティブな可視化ツールである。 ユーザーはネットワークアーキテクチャ、アクティベーション関数、学習率、データセットを設定して、アクティベーション、重み付け、損失進行を観察できる。
• 参考スコア（独自算出の注目度）: 1.5397834466394758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training neural networks is difficult to interpret, particularly for newcomers. We introduce NeuroViz, an interactive visualization tool that supports real-time exploration of fully connected neural network training. Users can configure network architecture, activation functions, learning rates, and datasets, then observe activations, weight updates, and loss progression. NeuroViz visualizes weight changes in direct correspondence with activation signals in both forward and backward passes, enabling users to distinguish pre- and post-update states within individual epochs and view dynamically updating per-neuron equations. We conduct a comparative user study with 31 participants against six established visualization tools and we achieved the highest usability score (SUS 80.97, in the 'excellent' range), with mean rankings of 2.47 for clarity and 2.23 for usefulness (lower is better). Over 70% of participants reported that the visualizations substantially increased their perception of neural network training transparency. The implemented instance is accessible at https://neuroviz.org.
• Abstract（参考訳）: ニューラルネットワークのトレーニングは、特に新参者にとって、解釈が難しい。 我々は、完全に接続されたニューラルネットワークトレーニングのリアルタイム探索をサポートするインタラクティブな可視化ツールであるNeuroVizを紹介する。 ユーザーはネットワークアーキテクチャ、アクティベーション関数、学習率、データセットを設定して、アクティベーション、重み付け、損失進行を観察できる。 NeuroVizは、前方と後方の両方でアクティベーション信号と直接対応する際の重量変化を可視化し、ユーザーは個々のエポック内の事前状態と更新後の状態を区別し、ニューロンごとの方程式を動的に更新することができる。 我々は,31人の参加者を対象に,6つの確立された可視化ツールに対して比較ユーザスタディを行い,ユーザビリティスコア(SUS 80.97,「優れた」範囲)を最高に達成し,明瞭度は2.47,有用性は2.23とした。 参加者の70%以上が、可視化によってニューラルネットワークトレーニングの透明性に対する認識が大幅に増加したと報告している。 実装されたインスタンスはhttps://neuroviz.org.comでアクセスできる。

関連論文リスト

• Know Thyself by Knowing Others: Learning Neuron Identity from Population Context [9.798773806523114]
  本稿では,ニューロンレベルの表現学習のための最初の体系的スケーリング分析について述べる。 プレトレーニングで使用する動物数の増加は、下流のパフォーマンスを継続的に向上させることを示す。 結果は、多様で多様なニューラルネットワークが、動物全体にわたって一般化されるニューロンのアイデンティティに関する情報をモデルが回復する様子を強調している。
  論文  参考訳（メタデータ） (2025-12-01T02:28:04Z)
• Teaching signal synchronization in deep neural networks with prospective neurons [13.883481084901483]
  適応電流で増強されたニューロンは、外部刺激に前向きに応答することで、これらの遅延を補うことができることを示す。 これにより、ゆっくりと統合されたニューロンの学習をガイドし、拡張された時間スケールでの記憶の形成と検索を可能にすることが実証された。
  論文  参考訳（メタデータ） (2025-11-18T21:12:58Z)
• Graph-Based Representation Learning of Neuronal Dynamics and Behavior [2.3859858429583665]
  本稿では,時間変動ニューロン接続をモデル化する新しいフレームワークTAVRNNを紹介する。 TAVRNNは、解釈可能な集団レベルの表現を維持しながら、単一単位レベルで潜伏ダイナミクスを学習する。 TAVRNNは,(1)自由行動ラットの電気生理学的データ,(2)到達作業中の霊長類体性感覚皮質記録,(3)仮想ゲーム環境と相互作用するDishBrainプラットフォーム内の生物学的ニューロンの3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
  機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。 この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
  論文  参考訳（メタデータ） (2021-12-06T10:16:54Z)
• Drop, Swap, and Generate: A Self-Supervised Approach for Generating Neural Activity [33.06823702945747]
  我々はSwap-VAEと呼ばれる神経活動の不整合表現を学習するための新しい教師なしアプローチを導入する。 このアプローチは、生成モデリングフレームワークとインスタンス固有のアライメント損失を組み合わせたものです。 我々は、行動に関連付けられた関連する潜在次元に沿って、ニューラルネットワークをアンタングルする表現を構築することが可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-03T16:39:43Z)
• Visual Pattern Recognition with on On-chip Learning: towards a Fully Neuromorphic Approach [10.181725314550823]
  ニューロモルフィックハードウェア上でのオンチップ学習による視覚パターン認識のためのスパイキングニューラルネットワーク(SNN)を提案する。 このネットワークは、ダイナミック・ビジョン・センサーによって知覚される水平と垂直のバーからなる単純な視覚パターンを学習することができることを示す。 認識中、ネットワークはパターンのアイデンティティを分類し、同時にその位置とスケールを推定する。
  論文  参考訳（メタデータ） (2020-08-08T08:07:36Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。