論文の概要: A Programmer's Guide to Cascaded Adaptive Combiners: Online Learning by Biologically Accurate Models of Multilayer Neuron Networks
- arxiv url: http://arxiv.org/abs/2606.14146v1
- Date: Fri, 12 Jun 2026 06:09:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.768177
- Title: A Programmer's Guide to Cascaded Adaptive Combiners: Online Learning by Biologically Accurate Models of Multilayer Neuron Networks
- Title（参考訳）: 多層ニューラルネットワークの生物学的精度モデルによるオンライン学習
- Authors: Martin Nilsson, Denis Kleyko,
- Abstract要約: 本稿では、機械的神経ネットワークモデルへのアクセス可能なガイドを示す。
より正確に生物学的計算の側面をキャプチャし、多層ニューラルネットワークで学習するためのシンプルで強力なメカニズムを実現する。
画像分類タスクにおけるその可能性を示し、競争力のある分類性能を実現する。
- 参考スコア（独自算出の注目度）: 5.7546900346864325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning in biological multilayer neuronal networks offers insights that extend beyond the classical weighted-sum neuron model commonly used in artificial neural networks. This article presents an accessible guide to a mechanistic neuronal network model that more accurately captures aspects of biological computation while enabling a simple yet powerful mechanism for learning in multilayer neural networks. The proposed approach supports efficient online streamed learning and provides a practical alternative to backpropagation. We demonstrate its potential in an image classification task, achieving competitive classification performance. The approach's simplicity, biological grounding, and broad applicability highlight a promising path toward algorithms that unify mechanistic neuron models and machine learning.
- Abstract（参考訳）: 生物学的多層神経ネットワークにおける学習は、ニューラルネットワークで一般的に使用される古典的な重み付きサムニューロンモデルを超えて広がる洞察を提供する。
本稿では, 生体計算の側面をより正確に捉えつつ, 多層ニューラルネットワークを学習するためのシンプルかつ強力な機構を実現する, メカニスティックニューラルネットワークモデルへのアクセス可能なガイドを提案する。
提案手法は、効率的なオンラインストリーム学習をサポートし、バックプロパゲーションの実践的な代替手段を提供する。
画像分類タスクにおけるその可能性を示し、競争力のある分類性能を実現する。
このアプローチの単純さ、生物学的基盤、幅広い適用性は、機械的ニューロンモデルと機械学習を統合するアルゴリズムへの有望な道を示す。
関連論文リスト
- Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。
我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。
課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - Unsupervised representation learning with Hebbian synaptic and structural plasticity in brain-like feedforward neural networks [0.0]
教師なし表現学習が可能な脳様ニューラルネットワークモデルを導入,評価する。
このモデルは、一般的な機械学習ベンチマークのさまざまなセットでテストされた。
論文 参考訳（メタデータ） (2024-06-07T08:32:30Z) - CHANI: Correlation-based Hawkes Aggregation of Neurons with bio-Inspiration [7.26259898628108]
本研究の目的は,生物学にインスパイアされたニューラルネットワークが,局所的な変換のみによって分類タスクを学習できることを数学的に証明することである。
我々は、ホークス過程によってニューロンの活動がモデル化されるCHANIというスパイクニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-29T07:17:58Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - 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) - Functional Connectome: Approximating Brain Networks with Artificial
Neural Networks [1.952097552284465]
訓練されたディープニューラルネットワークは、合成生物学的ネットワークによって実行される計算を高精度に捉えることができることを示す。
訓練されたディープニューラルネットワークは、新しい環境でゼロショットの一般化を実行可能であることを示す。
本研究は, システム神経科学における新規かつ有望な方向性を明らかにする。
論文 参考訳（メタデータ） (2022-11-23T13:12:13Z) - Equilibrium Propagation for Complete Directed Neural Networks [0.0]
最も成功したニューラルネットワークの学習アルゴリズム、バックプロパゲーションは生物学的に不可能であると考えられている。
我々は,平衡伝播学習の枠組みを構築し拡張することによって,生物学的に妥当な神経学習の話題に貢献する。
論文 参考訳（メタデータ） (2020-06-15T22:12:30Z)
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。