論文の概要: A Bayes-Markov Neuromorphic Model of Cortical Orientation Selectivity: A Computational Re-implementation and Quantitative Simulation Study
- arxiv url: http://arxiv.org/abs/2608.12388v1
- Date: Sat, 01 Aug 2026 06:03:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 01:32:04.602521
- Title: A Bayes-Markov Neuromorphic Model of Cortical Orientation Selectivity: A Computational Re-implementation and Quantitative Simulation Study
- Title（参考訳）: 皮質指向性選択性のベイズ・マルコフニューロモルフィックモデル:計算的再実装と定量的シミュレーションによる研究
- Abstract要約: シラジのベイズ・マルコフモデル(英語版)は、非指向性外側原性核(LGN)からの指向性選択的阻害が局所的推論によってどのように生じるかの確率論的説明を提案した。
本稿では,このフレームワークについて,計算学的に明示的な再実装と定量的なシミュレーション研究を行う。
我々は,方向調整曲線,方向選択性指数(OSI),制御されたLGN雑音摂動,コントラスト試験,モデル変分比較を用いたモデルの評価を行った。
- 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: The emergence of orientation selectivity in the primary visual cortex (V1) remains a central question in computational neuroscience. Shirazi's Bayes-Markov model proposed a probabilistic explanation for how orientation-selective inhibition can arise from non-oriented lateral geniculate nucleus (LGN) inputs through local inference. In that formulation, the activity pattern of striate cortical inhibitory (SCI) cells is estimated from the LGN activity pattern by a maximum a posteriori (MAP) criterion over a two-layer hierarchical Markov random field, and the resulting inference is implemented through a local parallel relaxation algorithm. We provide a computationally explicit re-implementation and quantitative simulation study of this framework. We reconstruct the mathematical model, describe its fully LGN-driven update rule, and implement a vectorized simulation framework that preserves the original local clique operations while making systematic parameter sweeps feasible. We evaluate the model using orientation tuning curves, an orientation selectivity index (OSI), controlled LGN noise perturbations, contrast tests, and model-variant comparisons. We further add a spiking SCI-layer realization using leaky integrate-and-fire and Hodgkin-Huxley neurons to examine whether the rate-coded SCI field can be expressed through temporally explicit neural activity. The simulations support the central qualitative behavior of the Bayes-Markov framework: sharp orientation selectivity, robustness to moderate LGN noise, and a biologically interpretable proof-of-concept spiking realization of the inferred inhibitory field.
- Abstract（参考訳）: 一次視覚野(V1)における方向選択性の出現は、計算神経科学における中心的な問題である。
シラジのベイズ・マルコフモデル(英語版)は、非指向性外側原性核(LGN)からの指向性選択的阻害が局所的推論によってどのように生じるかの確率論的説明を提案した。
この定式化では、2層の階層マルコフランダムフィールド上での最大後部(MAP)基準により、LGN活性パターンからSCI細胞の活性パターンを推定し、その結果の推論を局所的並列緩和アルゴリズムにより実施する。
本稿では,このフレームワークについて,計算学的に明示的な再実装と定量的なシミュレーション研究を行う。
本稿では,LGNによる完全更新ルールを記述した数学的モデルを再構築し,元の局所的斜め演算を保存するベクトル化シミュレーションフレームワークを実装し,体系的なパラメータスイープを実現する。
我々は,方向調整曲線,方向選択性指数(OSI),制御されたLGN雑音摂動,コントラスト試験,モデル変分比較を用いたモデルの評価を行った。
さらに、漏れた積分・燃焼とホジキン・ハクスリーニューロンを用いたスパイキングSCI層の実現を加え、時間的に明示的な神経活動を通じて、速度コードされたSCI場が表現できるかどうかを検証した。
シミュレーションはベイズ・マルコフフレームワークの中心的な定性的挙動、鋭い配向選択性、中程度のLGN雑音に対する頑健性、および推論された抑制場の生物学的に解釈可能な概念のスパイク実現を支持する。
関連論文リスト
- Recursive Gaussian Processes and the Bayesian Brain [0.9176056742068814]
予測符号化をRGP(Recursive Gaussian Processs)に正式に接続することでギャップを埋める。
RGPは本質的に階層的ベイズ推定、不確実性伝播、精度重み付き予測誤差を実装している。
我々の合成は、RGPを脳の予測機械の原理的計算ツールと候補モデルの両方として位置づけている。
論文 参考訳（メタデータ） (2026-08-01T07:53:51Z) - Dynamics and Representation Structure of Local Approximations to Gradient-Based Learning in Linear Recurrent Neural Networks [56.42974363744522]
ランダム・フィードバック・ローカル・オンライン(RFLO)の学習動態と時間による逆伝播(tBPTT)について検討する。
我々の研究は、局所性制約が学習力学をどう形成するかに関する分析的な洞察を提供し、学習の神経科学的モデルやRNNの代替最適化アプローチに影響を及ぼす。
論文 参考訳（メタデータ） (2026-05-29T18:19:45Z) - Interpretable Neural Approximation of Stochastic Reaction Dynamics with Guaranteed Reliability [4.736119820998459]
我々は,解釈可能性,信頼性保証,実質的な計算ゲインを実現するニューラルネットワークフレームワークであるDeepSKAを紹介する。
DeepSKAは、状態、時間、出力関数にまたがって一般化する数学的に透明な表現を生成し、この構造を少数のシミュレーションと統合し、古典的モンテカルロよりも非バイアスで、確率的に収束し、劇的に低いマグニチュード推定を生成する。
論文 参考訳（メタデータ） (2025-12-06T04:45:31Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳（メタデータ） (2022-12-05T19:40:17Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳（メタデータ） (2022-08-10T19:17:45Z) - Decision SincNet: Neurocognitive models of decision making that predict
cognitive processes from neural signals [0.0]
我々は、脳波信号を用いてDrift-Diffusionモデルに適合するように、SincNetベースの浅層ニューラルネットワークアーキテクチャを適用した。
ドリフトとバウンダリの単回評価は、トレーニングおよびテストデータセットの中央値推定よりもRTの予測に優れていた。
論文 参考訳（メタデータ） (2022-08-04T18:51:29Z) - Dynamic Bayesian Network Auxiliary ABC-SMC for Hybrid Model Bayesian
Inference to Accelerate Biomanufacturing Process Mechanism Learning and
Robust Control [2.727760379582405]
本稿では,バイオプロセッシング機構の複雑な因果関係を特徴付ける知識グラフハイブリッドモデルを提案する。
非線形反応、部分的に観察された状態、非定常力学を含む重要な性質を忠実に捉えることができる。
我々は、メカニズム学習を容易にし、ロバストなプロセス制御を支援する後部分布モデルの不確かさを導出する。
論文 参考訳（メタデータ） (2022-05-05T02:54:21Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。
本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。
本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
論文 参考訳（メタデータ） (2020-11-09T02:51:17Z) - A simple normative network approximates local non-Hebbian learning in
the cortex [12.940770779756482]
神経科学実験は、皮質ニューロンによる感覚入力の処理は、指示信号によって変調されることを示した。
ここでは、規範的なアプローチを採用し、フィードフォワードデータの投影を導く監督的な入力として、これらの命令信号をモデル化する。
オンラインアルゴリズムは、シナプス学習規則が大脳皮質で観察されるカルシウムプラトー電位依存的な可塑性に類似しているニューラルネットワークによって実装することができる。
論文 参考訳（メタデータ） (2020-10-23T20:49:44Z)
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。