論文の概要: Normative Networks for Source Separation via Local Plasticity and Dendritic Computation
- arxiv url: http://arxiv.org/abs/2605.19965v1
- Date: Tue, 19 May 2026 15:15:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.470823
- Title: Normative Networks for Source Separation via Local Plasticity and Dendritic Computation
- Title（参考訳）: 局所塑性とデンドライト計算による音源分離のための規範的ネットワーク
- Authors: Bariscan Bozkurt, Efe Ali Gorguner, Francesco Innocenti, Rafal Bogacz,
- Abstract要約: ブラインドソース分離(ブラインドソース分離、BSS)は、知覚混合物から潜伏原因がどのように回収されるかを研究するためのフレームワークである。
本稿では,局所的な重み更新のみを用いて,BSSの競合性能を実現する予測エントロピー最大化を提案する。
- 参考スコア（独自算出の注目度）: 8.607903455924562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Blind source separation (BSS) is a natural framework for studying how latent causes may be recovered from sensory mixtures, but deriving online and biologically plausible algorithms for structured (i.e., constrained to known domains) and potentially correlated sources remains challenging. Recent work has derived neural networks for BSS from maximization of an entropy measure, yet its online implementations involve complex and nonlocal recurrent dynamics. Motivated by this perspective, we propose Predictive Entropy Maximization, which achieves competitive performance in BSS, using only local weight updates. The method employs a close approximation of an entropy measure, yielding an objective function with easily interpretable components. Minimizing this objective leads to a predictive neural architecture in which feedforward synapses follow an error-driven rule (that can be realized through dendritic mechanisms), lateral inhibitory connections are learned with local Hebbian plasticity, and source-domain constraints are enforced through simple output nonlinearities. We derive explicit spectral bounds on the surrogate error, characterizing when the approximation is accurate. Empirically, Predictive Entropy Maximization remains robust under increasing source correlation and observation noise, outperforms biologically plausible algorithms that rely on stronger independence or decorrelation assumptions, and remains competitive with exact determinant- and correlative-information-based baselines. These results show how local plasticity and adaptive lateral inhibition can emerge from maximizing a regularized second-order entropy over structured source domains. Our implementation code is available at https://github.com/BariscanBozkurt/Predictive-Entropy-Maximization.
- Abstract（参考訳）: ブラインドソース分離(BSS)は、潜伏原因が感覚混合物からどのように回収されるかを研究するための自然な枠組みであるが、構造化された(既知のドメインに制約された)、潜在的に相関のあるソースに対して、オンラインおよび生物学的に妥当なアルゴリズムを導出することはまだ困難である。
最近の研究は、エントロピー尺度の最大化からBSSのためのニューラルネットワークを導出したが、そのオンライン実装は複雑で非局所的なリカレントダイナミクスを含んでいる。
この観点から,局所的な重み更新のみを用いて,BSSにおける競合性能を実現する予測エントロピー最大化を提案する。
この方法はエントロピー測度を近似し、容易に解釈可能な成分を持つ目的関数を生成する。
この目的を最小化することは、フィードフォワードシナプスが(樹状機構によって実現される)エラー駆動型規則に従って、横方向の抑制接続が局所的なヘビアン可塑性によって学習され、ソース領域の制約が単純な出力非線形性によって強制される予測的ニューラルネットワークアーキテクチャに繋がる。
近似が正確である場合に特徴付けるサロゲート誤差のスペクトル境界を導出する。
実験的に、予測エントロピー最大化は、ソース相関と観測ノイズの増加の下で頑健であり、強い独立性やデコリレーションの仮定に依存し、正確な決定的および相関情報に基づくベースラインと競合する生物学的に実証可能なアルゴリズムより優れている。
これらの結果は、局所的な可塑性と適応的な側方抑制が、構造されたソースドメイン上の正規化された2階エントロピーの最大化から生じることを示す。
実装コードはhttps://github.com/BariscanBozkurt/Predictive-Entropy-Maximizationで公開しています。
関連論文リスト
- Structure-Aware Epistemic Uncertainty Quantification for Neural Operator PDE Surrogates [10.39662017167378]
不確かさの定量化(UQ)は、計算的に効率的かつ空間的に忠実でなければならない。
本稿では,現代のNOに共通するモジュラー・アナロジーを利用した構造対応UQスキームを提案する。
挑戦的なPDEベンチマークの実験では、提案された構造認識設計により、より信頼性の高いカバレッジ、よりタイトなバンド、残留不確実性アライメントの改善が示されている。
論文 参考訳（メタデータ） (2026-02-24T10:17:24Z) - Deep Deterministic Nonlinear ICA via Total Correlation Minimization with Matrix-Based Entropy Functional [41.05541240448253]
ブラインドソース分離、特に独立成分分析(ICA)は、様々な信号処理領域で広く利用されている。
本稿では、これらの制約に対処するために設計された新しいディープニューラルネットワークベースのフレームワークであるディープ決定論的非線形独立成分分析(DDICA)を提案する。
DDICAは, シミュレーション信号混合, ハイパースペクトル画像アンミックス, 一次受容野のモデリング, およびfMRIデータ解析など, 様々な応用で検証された。
論文 参考訳（メタデータ） (2025-12-31T19:44:19Z) - An Accelerated Alternating Partial Bregman Algorithm for ReLU-based Matrix Decomposition [0.0]
本稿では,非負行列上に補正されたスパース低ランク特性について検討する。
本稿では,クラスタリングと圧縮タスクに有用な構造を取り入れた新しい正規化項を提案する。
我々は、任意の$Lge 1$に対して常に持つ$L$-smoothプロパティを維持しながら、対応する閉形式解を導出する。
論文 参考訳（メタデータ） (2025-03-04T08:20:34Z) - Neural variational Data Assimilation with Uncertainty Quantification using SPDE priors [28.804041716140194]
ディープラーニングコミュニティの最近の進歩は、ニューラルネットワークと変分データ同化フレームワークを通じて、この問題に対処することができる。
本研究では、部分微分方程式(SPDE)とガウス過程(GP)の理論を用いて状態の空間的および時間的共分散を推定する。
論文 参考訳（メタデータ） (2024-02-02T19:18:12Z) - A Pseudo-Semantic Loss for Autoregressive Models with Logical
Constraints [87.08677547257733]
ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。
本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。
また,スドクと最短経路予測の手法を自己回帰世代として評価した。
論文 参考訳（メタデータ） (2023-12-06T20:58:07Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳（メタデータ） (2023-04-07T13:41:08Z) - Biologically-Plausible Determinant Maximization Neural Networks for
Blind Separation of Correlated Sources [19.938405188113027]
本稿では,生物学的に解明可能なニューラルネットを用いて,潜在的に依存/関連のあるソースの盲点分離を提案する。
我々は、様々なソースドメインから派生したソースに混合物を分離できる2層生物学的に証明可能なニューラルネットワークアルゴリズムを導出する。
我々のアルゴリズムは、相関源分離問題において、他の生物学的に証明可能なBSSアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-27T09:12:10Z) - Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。
最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。
本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文 参考訳（メタデータ） (2021-07-05T09:07:29Z) - Optimizing Mode Connectivity via Neuron Alignment [84.26606622400423]
経験的に、損失関数の局所ミニマは、損失がほぼ一定であるようなモデル空間の学習曲線で接続することができる。
本稿では,ネットワークの重み変化を考慮し,対称性がランドスケープ・コネクティビティに与える影響を明らかにするための,より一般的な枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-05T02:25:23Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。