論文の概要: CANNs: A Toolkit for Research on Continuous Attractor Neural Networks
- arxiv url: http://arxiv.org/abs/2606.27783v1
- Date: Fri, 26 Jun 2026 07:12:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.402903
- Title: CANNs: A Toolkit for Research on Continuous Attractor Neural Networks
- Title（参考訳）: CANNs: 連続型トラクターニューラルネットワークの研究用ツールキット
- Abstract要約: 連続アトラクタニューラルネットワーク(CANN)は、脳が連続変数をエンコードする方法の標準計算フレームワークである。
本稿では,完全なCANN研究ワークフローを統合するオープンソースツールキットについて紹介する。
- 参考スコア（独自算出の注目度）: 8.960994622247462
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous attractor neural networks (CANNs) are the canonical computational framework for how the brain encodes continuous variables such as spatial position, head direction, and movement direction, and explain the activity of hippocampal place cells, entorhinal grid cells, and head-direction cells. CANN research, however, is fragmented: most results rest on lab-specific implementations, general-purpose simulators lack CANN-specific abstractions, and the path from spike trains to attractor geometry in real recordings lacks a standardized toolkit. Here, we present a comprehensive open-source toolkit that unifies the full CANN research workflow. It combines three tightly integrated components: 1) canns, a Python library on BrainPy/JAX that provides standardized 1D/2D CANNs, spike-frequency-adaptation variants, grid cell networks, hierarchical path-integration models, and brain-inspired attractor architectures, together with curated datasets, task generators, an analyzer module and trainer modules for biologically plausible plasticity; 2) canns-lib, a Rust acceleration backend delivering hundreds-of-times speedups for spatial-navigation workloads and modest gains for Ripser-based persistent homology; 3) ASA (Attractor Structure Analyzer), a PySide6 pipeline applying persistent homology and cohomology to experimental neural recordings to detect ring-like and toroidal attractor signatures in real data. The toolkit ships with full-detail reproducible pipelines that recover recent CANN results including SFA-driven anticipative tracking, theta sweeps in head-direction/place/grid systems, and hierarchical path integration.
- Abstract（参考訳）: 連続アトラクタニューラルネットワーク(CANN)は、脳が空間的位置、頭部方向、運動方向などの連続的な変数をエンコードし、海馬の場所細胞、角膜格子細胞、頭部指向細胞の活動を説明するための標準的な計算フレームワークである。
しかし、CANNの研究は断片的であり、ほとんどの結果は実験室固有の実装に依存しており、汎用シミュレータはCANN固有の抽象化を欠いている。
本稿では,完全なCANN研究ワークフローを統合するオープンソースツールキットについて紹介する。
3つの密に統合されたコンポーネントを結合する。
これはBrainPy/JAX上のPythonライブラリで、標準化された1D/2D CANN、スパイク周波数適応変種、グリッドセルネットワーク、階層パス統合モデル、脳にインスパイアされたアトラクションアーキテクチャを提供する。
Canns-libはRustのアクセラレーションバックエンドで、空間ナビゲーションワークロードの数百回のスピードアップと、Ripserベースの永続的ホモロジーの適度なゲインを提供する。
3) PySide6 パイプラインであるASA (Attractor Structure Analyzer) は, 実データ中のリング状およびトロイダル型アトラクターシグネチャを検出するために, 実験神経記録に永続的ホモロジーとコホモロジーを適用したパイプラインである。
ツールキットには完全な再現可能なパイプラインが付属しており、SFA駆動の予測トラッキング、見出し/場所/グリッドシステムのテータスイープ、階層的なパス統合など、最近のCANNの結果を回復する。
関連論文リスト
- A Hardware-Aware Open-Source Framework for Design Space Exploration of Mixed-Signal Spiking Neural Networks [0.8950195742710184]
本研究は、混合信号SNNのためのオープンソースのハードウェア・アウェア・シミュレーション・フレームワークを提案する。
ニューロン、シナプス、アーキテクチャの選択を比較分析できる。
このフレームワークは標準的なニューロモルフィックベンチマークで評価される。
論文 参考訳（メタデータ） (2026-07-07T16:15:03Z) - NeuroClaw Technical Report [54.14941057366186]
NeuroClawは、神経イメージング研究のためのドメイン特化マルチエージェント研究アシスタントである。
NeuroClawは、フォーマットとモダリティをまたいだ生のニューロイメージングデータを直接運用する。
3階層のスキル/エージェント階層は、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。
論文 参考訳（メタデータ） (2026-04-27T16:57:14Z) - Towards Cold-Start Drafting and Continual Refining: A Value-Driven Memory Approach with Application to NPU Kernel Synthesis [68.7701048879757]
EvoKernelは、カーネル合成のライフサイクルを自動化する自己進化型エージェントフレームワークである。
ステージ固有のQ値を学び、現在の目標への貢献に基づいて経験を優先する。
モデルの正しさを11.0%から83.0%に改善し、初期ドラフトよりも3.60倍のスピードアップを実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:06Z) - Decoding Motor Behavior Using Deep Learning and Reservoir Computing [7.527936147433657]
本稿では,非侵襲的脳機械インタフェース(BMI)の脳波デコードに対する新しいアプローチを提案する。
この制限に対処するため、私たちは、貯水池コンピューティングの卓越したパラダイムであるEcho State Network(ESN)をデコードパイプラインに統合しました。
ESNNetは83.2%のオブジェクト内で、51.3%のLOSOアキュラシーを達成し、広く使われているCNNベースのベースラインを超えています。
論文 参考訳（メタデータ） (2025-12-07T08:29:43Z) - A Grid Cell-Inspired Structured Vector Algebra for Cognitive Maps [4.498459787490856]
海馬と海馬の形成は哺乳類の脳のナビゲーションシステムであり、グリッド細胞を介して物理的および抽象的な空間をコードしている。
本稿では,CANとベクトルアーキテクチャ(VSA)にインスパイアされた脳海馬形成における多目的情報処理の力学モデルを提案する。
グリッドセルVSAモデルは、グリッドセルモジュールの離散スケールと配向を模倣した3次元モジュールによる空間的に構造化された符号化方式を採用している。
論文 参考訳（メタデータ） (2025-03-11T16:45:52Z) - EvSegSNN: Neuromorphic Semantic Segmentation for Event Data [0.6138671548064356]
EvSegSNN は、Parametric Leaky Integrate と Fire のニューロンに依存した、生物学的に検証可能なエンコーダ-デコーダU字型アーキテクチャである。
本稿では,スパイキングニューラルネットワークとイベントカメラを組み合わせることによって,エンド・ツー・エンドのバイオインスパイアされたセマンティックセマンティックセマンティクス手法を提案する。
DDD17で実施された実験は、EvSegSNNがMIoUの観点から最も近い最先端モデルを上回っていることを示している。
論文 参考訳（メタデータ） (2024-06-20T10:36:24Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Neural Attentive Circuits [93.95502541529115]
我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。
NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。
NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
論文 参考訳（メタデータ） (2022-10-14T18:00:07Z) - SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud
Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。
提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。
ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文 参考訳（メタデータ） (2022-09-13T12:12:19Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z) - Capturing and Explaining Trajectory Singularities using Composite Signal
Neural Networks [21.454705493292014]
複合信号解析装置(CompSNN)は3つの単純なANNモジュールを組み合わせたものである。
CompSNNは分離されたモジュールよりも大幅にパフォーマンスが向上した。
論文 参考訳（メタデータ） (2020-03-24T12:53:15Z) - Recalibrating 3D ConvNets with Project & Excite [6.11737116137921]
畳み込みニューラルネットワーク(F-CNN)は、コンピュータビジョンと医用画像におけるセグメンテーションタスクの最先端のパフォーマンスを達成する。
既存の2Dリカバリ手法を3Dに拡張し, 簡単に比較できる汎用的な圧縮-プロセス-リカバリレートパイプラインを提案する。
PEモジュールは3次元F-CNNに容易に統合でき、Dice Scoreでは0.3まで性能が向上し、他の再校正ブロックの3次元拡張よりも性能が向上することを示した。
論文 参考訳（メタデータ） (2020-02-25T16:07:17Z)
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。