論文の概要: Harnessing cortical geometry, wiring, and function as inductive biases for recurrent neural networks

• arxiv url: http://arxiv.org/abs/2606.14975v1
• Date: Fri, 12 Jun 2026 21:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.55183
• Title: Harnessing cortical geometry, wiring, and function as inductive biases for recurrent neural networks
• Title（参考訳）: リカレントニューラルネットワークの誘導バイアスとしての高調波皮質形状、配線、機能
• Authors: Mo Shakiba, Rana Rokni, Mohammad Mohammadi, Nima Dehghani,
• Abstract要約: 大脳皮質形状の繰り返し計算の配線と機能的構造は、神経科学と機械学習の両方において中心的な問題である。 我々は、Cortical NetworksプログラムからMachine Intelligenceを通じてリリースされたデータを活用して、生物学的に基底付けられたリカレントニューラルネットワークを構築します。 以上の結果から, 大脳皮質の形状, 配線, 機能構造といった機械は, 再帰的ネットワーク構築の強力な帰納的基盤として活用できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.1968723443101348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How the wiring and functional organization of cortex shape recurrent computation remains a central question in both neuroscience and machine learning. Here, we leverage data released through the Machine Intelligence from Cortical Networks (MICrONS) program--a functional connectomics resource spanning multiple areas of mouse visual cortex, in which dense calcium imaging is co-registered with high-resolution electron microscopy reconstruction from the same animal--to build biologically grounded recurrent neural networks. Using neuronal spatial coordinates, anatomical connectivity, and function-derived relationships from nearly 12,000 coregistered excitatory neurons, we initialize recurrent weights and impose communication-aware spatial constraints during learning. Across three cognitive decision-making tasks, networks constrained by cortical structure and function consistently outperform baseline and partially constrained models. Functional weight initialization provides the largest gain, while real spatial embedding yields robust additional improvements across conditions. These biologically grounded networks also develop low-entropy, modular, and small-world organization, and retain strong performance even when recurrence is restricted to positive weights. Together, our results show that the machinery of cortex--its geometry, wiring, and functional structure--can be harnessed as a powerful inductive basis for building recurrent networks that learn more effectively while converging toward key organizational principles of biological computation.
• Abstract（参考訳）: 大脳皮質形状の繰り返し計算の配線と機能的構造は、神経科学と機械学習の両方において中心的な問題である。 そこで我々は,マウス視覚野の複数の領域にまたがる機能的コネクトロミクス資源であるMachine Intelligence from Cortical Networks (MICrONS)プログラムを通じて放出されるデータを活用する。 神経の空間座標、解剖学的接続性、約12,000個のコアギスター励起ニューロンの機能的関係を用いて、繰り返し重みを初期化し、学習中に通信に注意する空間的制約を課す。 3つの認知的意思決定タスク、皮質構造と機能によって制約されたネットワークは、ベースラインと部分的に制約されたモデルより一貫して優れている。 機能的な初期化は最大の利益をもたらすが、実際の空間埋め込みは条件全体にわたって堅牢な改善をもたらす。 これらの生物学的基盤を持つネットワークは、低エントロピー、モジュラー、小世界の組織も発達し、繰り返しが正の重みに制限された場合でも強い性能を維持している。 この結果から, 生体計算の重要な組織原理に収束しつつ, より効果的に学習する再帰的ネットワークを構築する上で, 大脳皮質の形状, 配線, 機能構造といった機構が強力な帰納的基盤として活用できることが示唆された。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
  本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。 本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。 NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
  論文  参考訳（メタデータ） (2025-10-19T14:23:35Z)
• Spatial embedding promotes a specific form of modularity with low entropy and heterogeneous spectral dynamics [0.0]
  空間的に埋め込まれたリカレントニューラルネットワークは、学習よりもネットワークの構造と機能を組み合わせた組織をどのように形成するかを研究するための有望な道を提供する。 我々は,これらの制約を,速度とスパイクニューラルネットワークの両面にわたって,ニューラルウェイトと固有スペクトルのエントロピー測定によって研究することが可能であることを示す。 この作業は、ニューラルネットワークにおける制約付き学習の理解を深め、コーディングスキームやタスクを越えて、同時に構造的および機能的目的に対するソリューションをタンデムで達成する必要がある。
  論文  参考訳（メタデータ） (2024-09-26T10:00:05Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• The Cooperative Network Architecture: Learning Structured Networks as Representation of Sensory Patterns [3.9848584845601014]
  協調ネットワークアーキテクチャ(Cooperative Network Architecture, CNA)は,ニューロンの構造的, 繰り返し接続されたネットワークを用いて, 知覚信号を表すモデルである。 我々は、ネットフラグメントを監督なしに学習し、フレキシブルに組み換えることで、新しいパターンをエンコードし、フィギュア補完とノイズに対するレジリエンスを可能にすることを実証した。
  論文  参考訳（メタデータ） (2024-07-08T06:22:10Z)
• Growing Brains: Co-emergence of Anatomical and Functional Modularity in Recurrent Neural Networks [18.375521792153112]
  構成タスクで訓練されたリカレントニューラルネットワーク(RNN)は、機能的なモジュラリティを示すことができる。 我々は、脳に触発されたモジュラートレーニングという最近の機械学習手法を、合成認知タスクの集合を解決するためにトレーニングされているネットワークに適用する。 機能的および解剖学的クラスタリングが同時に出現し、機能的に類似したニューロンが空間的局所化および相互接続されるようになる。
  論文  参考訳（メタデータ） (2023-10-11T17:58:25Z)
• 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)
• 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)
• Self-Evolutionary Reservoir Computer Based on Kuramoto Model [1.7072337666116733]
  生物学的にインスパイアされたニューラルネットワークとして、貯水池コンピューティング(RC)は情報処理においてユニークなアドバンテージを持っている。 本研究では,人的知識を必要とせず,手元にある特定の問題に適応できる構造的自律開発貯水池計算モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-25T15:53:39Z)
• 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)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)

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。