論文の概要: Spatial Partial Functionalization of Neural Networks based on Noise Fields

• arxiv url: http://arxiv.org/abs/2606.24588v1
• Date: Tue, 23 Jun 2026 13:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.973209
• Title: Spatial Partial Functionalization of Neural Networks based on Noise Fields
• Title（参考訳）: 雑音場に基づくニューラルネットワークの空間的部分関数化
• Authors: Shuhei Ikemoto, Fabio DallaLibera,
• Abstract要約: ニューラル計算におけるノイズは、通常障害と見なされるが、その空間分布は、ネットワークのどの部分が計算に参加するかを積極的に制御する。 本稿では,雑音場を用いた雑音変調ニューラルネットワークの空間的部分関数化について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noise in neural computation is typically regarded as a disturbance, but its spatial distribution may also actively regulate which parts of a network participate in computation. This paper investigates the spatial partial functionalization of Noise-modulated Neural Networks using noise fields. We first present an activation function suitable for this goal, the crossing activation function, using the sample-level, statistical-level, and analytical-level implementations, and examine parameter reuse across these implementations. We then introduce a virtual noise field, an auxiliary continuous space for generating spatially structured network noise fields that activate partially overlapping subnetworks. Using one-dimensional function approximation tasks, we evaluate how multiple functions can be stored in a single network when each function is assigned to a different noise-field location. The results show that memory capacity improves when the spatial arrangement of noise fields reflects the proximity relationships among the functions to be learned, whereas mismatches in noise field structure can reduce effective capacity. These findings suggest that structured noise can serve not only as a perturbation but also as a topology-defining factor for functional subnetwork selection.
• Abstract（参考訳）: ニューラル計算におけるノイズは、通常障害と見なされるが、その空間分布は、ネットワークのどの部分が計算に参加するかを積極的に制御する。 本稿では,雑音場を用いた雑音変調ニューラルネットワークの空間的部分関数化について検討する。 まず,この目的に適したアクティベーション関数であるクロスアクティベーション関数を,サンプルレベル,統計レベル,分析レベルの実装を用いて提案し,これらの実装におけるパラメータ再利用について検討する。 次に、部分重なり合うサブネットを活性化する空間構造を有するネットワークノイズ場を生成するための補助連続空間である仮想ノイズ場を導入する。 1次元関数近似タスクを用いて、各関数が異なる雑音場に割り当てられたときに、複数の関数を単一のネットワークに格納する方法を評価する。 その結果,ノイズ場の空間配置が学習対象関数間の近接関係を反映する場合のメモリ容量は向上し,ノイズ場構造におけるミスマッチは有効容量を減少させることがわかった。 これらの結果から, 構造ノイズは摂動だけでなく, 機能的サブネットワーク選択のためのトポロジー決定因子としても機能することが示唆された。

関連論文リスト

• Internal noise in deep neural networks: interplay of depth, neuron number, and noise injection step [0.0]
  本稿では,奥行きニューラルネットワークの性能に及ぼす内部ガウス雑音の影響について検討する。 アクティベーション関数の前後で導入された雑音を加法的および乗法的両方のノイズの影響で解析する。
  論文  参考訳（メタデータ） (2026-04-09T11:36:14Z)
• Paradoxical noise preference in RNNs [0.0]
  生物学的ニューラルネットワークをモデル化するために使用されるリカレントニューラルネットワーク(RNN)では、通常、トレーニング中にノイズを導入し、生物学的多様性をエミュレートし、学習を規則化する。 連続時間リカレントニューラルネットワーク(CTRNN)は、非ゼロノイズレベル、特に、トレーニング中に使用されるものと同じレベルにおいて、よく機能する。 このノイズ嗜好は、ニューラルアクティベーション関数内でノイズが注入されたときに生じ、アクティベーション関数の外でノイズが注入された訓練されたネットワークは、ゼロノイズで最もよく機能する。
  論文  参考訳（メタデータ） (2026-01-08T03:11:51Z)
• Enhance Vision-Language Alignment with Noise [59.2608298578913]
  本研究では,凍結モデルがカスタマイズノイズによって微調整可能であるか検討する。 ビジュアルエンコーダとテキストエンコーダの両方にノイズを注入することでCLIPを微調整できる正インセンティブノイズ(PiNI)を提案する。
  論文  参考訳（メタデータ） (2024-12-14T12:58:15Z)
• Spherical Analysis of Learning Nonlinear Functionals [10.785977740158193]
  本稿では,球面上の関数の集合上で定義される関数について考察する。 深部ReLUニューラルネットワークの近似能力をエンコーダデコーダフレームワークを用いて検討した。
  論文  参考訳（メタデータ） (2024-10-01T20:10:00Z)
• Room Transfer Function Reconstruction Using Complex-valued Neural Networks and Irregularly Distributed Microphones [15.396703290586418]
  第1室共鳴の周波数範囲における室内伝達関数を推定するために,複素数値ニューラルネットワークを用いる。 複雑な数値のニューラルネットワークが部屋の移動関数を推定するために使われるのは、これが初めてである。
  論文  参考訳（メタデータ） (2024-02-01T21:16:40Z)
• Provable Data Subset Selection For Efficient Neural Network Training [73.34254513162898]
  本稿では,任意の放射基底関数ネットワーク上での入力データの損失を近似する,emphRBFNNのコアセットを構成するアルゴリズムについて紹介する。 次に、一般的なネットワークアーキテクチャやデータセット上で、関数近似とデータセットサブセットの選択に関する経験的評価を行う。
  論文  参考訳（メタデータ） (2023-03-09T10:08:34Z)
• Dencentralized learning in the presence of low-rank noise [57.18977364494388]
  ネットワーク内のエージェントが収集した観測は、観測ノイズや干渉のために信頼性が低い。 本稿では,各ノードが自身の観測の信頼性を向上させる分散アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T09:13:57Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。