Fugu-MT 論文翻訳(概要): Minimizing the Effect of Sleep Deprivation in the Forward-Forward Algorithm

論文の概要: Minimizing the Effect of Sleep Deprivation in the Forward-Forward Algorithm

arxiv url: http://arxiv.org/abs/2609.06042v1
Date: Sat, 05 Sep 2026 11:54:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.183765
Title: Minimizing the Effect of Sleep Deprivation in the Forward-Forward Algorithm
Title（参考訳）: 前向きアルゴリズムにおける睡眠不足の影響の最小化
Abstract要約: これまでの研究では、フォワードフォワードアルゴリズムの睡眠不足が学習効果に破滅的な影響を及ぼすことが示されている。この問題を軽減するために、代替活性化、最適化された損失関数、しきい値チューニングなど、いくつかのアプローチを検討する。また,カフェイン刺激による睡眠不足時のパフォーマンス向上の可能性についても検討した。
参考スコア（独自算出の注目度）: 1.2752808844888015
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the challenge posed by sleep deprivation in the Forward-Forward algorithm, where separating the two passes in this algorithm and imbalancing the data processing in the passes is considered an imitation of the cognitive processes observed in humans suffering from sleep deprivation. Previous research has demonstrated that sleep deprivation in the Forward-Forward algorithm has a catastrophic effect on learning efficacy. To mitigate this issue, we explore several approaches; these include alternative activation, optimized loss function, and threshold tuning. To simulate periodic rest, we reduce the number of positive passes in alternating epochs, creating short break phases. We additionally investigate the potential of caffeine-induced stimulation to enhance performance during sleep-deprived conditions. Experimental evaluations conducted on the MNIST and Fashion-MNIST datasets demonstrate that these modifications improve accuracy under the context of sleep deprivation. For example, a 2%-62% accuracy gain is observed in a severe sleep deprivation setting (16 positive or awake periods and 1 negative or sleep period). The approaches also enhance the resilience of the algorithm and its alignment with the adaptive mechanisms of human cognition.
Abstract（参考訳）: 本稿では、このアルゴリズムで2つのパスを分離し、そのパスでデータ処理を分散させることが、睡眠不足に苦しむ人に見られる認知過程の模倣であると考えられる、前向きアルゴリズムにおける睡眠不足による課題に対処する。これまでの研究では、フォワードフォワードアルゴリズムの睡眠不足が学習効果に破滅的な影響を及ぼすことが示されている。この問題を軽減するために、代替活性化、最適化された損失関数、しきい値チューニングなど、いくつかのアプローチを検討する。周期的休息をシミュレートするために, 周期的休息を交互に行う場合の正の通過回数を減らし, 短時間の休憩相を生成する。また,カフェイン刺激による睡眠不足時のパフォーマンス向上の可能性についても検討した。 MNISTデータセットとFashion-MNISTデータセットで行った実験的評価は、これらの修正が睡眠不足の文脈下で精度を向上させることを示した。例えば、重度睡眠不足状態(16時間または覚醒16時間、陰性または睡眠1時間)では、2%-62%の精度上昇が観察される。これらのアプローチは、アルゴリズムのレジリエンスと、人間の認知の適応的なメカニズムとの整合性を高める。

関連論文リスト

DeepBlip: Estimating Conditional Average Treatment Effects Over Time [48.20988325299593]
構造ネスト平均モデル(SNMM)のための最初のニューラルネットワークフレームワークであるDeepBlipを提案する。提案手法は, 時間変化による不偏推定を正確に調整し, ナイマン・直交損失関数はニュアンスモデルの不特定性に対して頑健性を保証する。
論文参考訳（メタデータ） (2025-11-18T14:49:03Z)
NapTune: Efficient Model Tuning for Mood Classification using Previous Night's Sleep Measures along with Wearable Time-series [20.901278227023585]
睡眠は、感情的な調節と全体的なメンタルヘルスにおいて重要な要素であることが知られている。本研究では、前夜の睡眠測定とウェアラブルによる気分認識の統合について検討する。そこで我々は,凍結学習したウェアラブル時系列エンコーダへの追加入力として睡眠関連尺度を利用する,新しいプロンプトチューニングフレームワークであるNapTuneを提案する。
論文参考訳（メタデータ） (2024-09-07T06:06:04Z)
Sleep Deprivation in the Forward-Forward Algorithm [2.7195102129095003]
睡眠と覚醒相のギャップの大きさが,アルゴリズムの学習能力に影響を及ぼすことを示す。睡眠不足の破壊的影響を減少させるための負のデータの重要性を強調した。
論文参考訳（メタデータ） (2023-10-28T09:09:44Z)
SI-SD: Sleep Interpreter through awake-guided cross-subject Semantic Decoding [5.283755248013948]
我々は、新しい認知神経科学実験を設計し、覚醒と睡眠の間に134人の被験者から、包括的、十分に注意された脳波(EEG)データセットを収集した。我々は、覚醒と睡眠の間のニューラル潜伏シーケンスの位置ワイドアライメントにより、睡眠意味のデコーディングを強化するSI-SDを開発した。
論文参考訳（メタデータ） (2023-09-28T14:06:34Z)
A machine-learning sleep-wake classification model using a reduced number of features derived from photoplethysmography and activity signals [0.0]
Photoplethys (mography) は睡眠期推論に有効なシグナルであることが示された。本稿では,eXtreme Gradient Boostingアルゴリズムに基づく機械学習睡眠覚醒分類モデルを提案する。本手法の性能は現在の最先端手法と比較し,感度91.15 $pm$ 1.16%,特異度53.66 $pm$ 1.12%,F1スコア83.88 $pm$ 0.56%,Kappa48.0 $pm$ 0.86%であった。
論文参考訳（メタデータ） (2023-08-07T13:43:19Z)
Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文参考訳（メタデータ） (2023-01-17T15:18:45Z)
Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文参考訳（メタデータ） (2022-11-08T17:29:40Z)
Continual learning benefits from multiple sleep mechanisms: NREM, REM, and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文参考訳（メタデータ） (2022-09-09T13:45:27Z)
Sleep syndromes onset detection based on automatic sleep staging algorithm [0.0]
高速フーリエ変換は、脳波記録の30秒間のエポックに応用され、局所的な時間周波数情報を提供する。深層畳み込みLSTMニューラルネットワークは睡眠段階分類のために訓練されている。コード評価の結果、精度は86.43、精度は77.76、リコールは93,32, F1スコアは89.12、最終誤差は0.09だった。
論文参考訳（メタデータ） (2021-07-07T15:38:47Z)
Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文参考訳（メタデータ） (2020-05-06T09:02:30Z)
The Break-Even Point on Optimization Trajectories of Deep Neural Networks [64.7563588124004]
この軌道上の「破滅的な」点の存在を論じる。トレーニングの初期段階での大きな学習率を用いることで、勾配のばらつきが軽減されることを示す。また, バッチ正規化層を有するニューラルネットワークにおいても, 低学習率を用いることで損失面の条件が悪くなることを示す。
論文参考訳（メタデータ） (2020-02-21T22:55:51Z)

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。