論文の概要: Formation of structural attractors in neuromorphic systems
- arxiv url: http://arxiv.org/abs/2609.06826v1
- Date: Sun, 06 Sep 2026 20:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.310197
- Title: Formation of structural attractors in neuromorphic systems
- Title（参考訳）: ニューロモルフィック系における構造的誘引体の形成
- Abstract要約: 本稿では、概念形成に対する非最適化アプローチを提案する不変構造学習(ISL)の理論について検討する。
本稿では, 数学的形式化, 計算検証, 仮説的神経生物学的解釈を含むISLモデルを提案する。
- 参考スコア（独自算出の注目度）: 39.146761527401424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper examines the theory of Invariant Structural Learning (ISL), which proposes a non-optimization approach to concept formation. Learning is interpreted as convergence to structural attractors in a hypergraph space, rather than as the minimization of a global loss function. The paper presents the ISL model, including its mathematical formalization, computational verification, and a hypothetical neurobiological interpretation. The mathematical section introduces the formal apparatus of the structural reduction process and proves its finite convergence, the existence and uniqueness of class structural attractors, and the self-organization of attractor maps. The computational section demonstrates the feasibility of the proposed approach on classical image recognition tasks, utilizing the proposed learning mechanism without backpropagation and with extremely small training datasets. Finally, the neurobiological section formulates hypotheses regarding the possible implementation of structural attractors in dendritic trees, neural coding as a projection of internal attractor dynamics, and the development of neural architectures supporting the proposed learning concept. These hypotheses are discussed in the context of modern experimental data in the fields of dendritic computations, synaptic plasticity, and the structural organization of neural circuits. The proposed neurobiological mechanisms are presented as testable hypotheses rather than established biological facts. The results demonstrate the mathematical consistency and computational feasibility of the proposed model, while the neurobiological hypotheses outline potential directions for its experimental verification.
- Abstract（参考訳）: 本稿では、概念形成に対する非最適化アプローチを提案する不変構造学習(ISL)の理論について検討する。
学習は、大域的損失関数の最小化ではなく、ハイパーグラフ空間における構造的アトラクタへの収束として解釈される。
本稿では, 数学的形式化, 計算検証, 仮説的神経生物学的解釈を含むISLモデルを提案する。
数学的セクションでは、構造的還元過程の形式的な装置を導入し、その有限収束、クラス構造的引力の存在と特異性、および引力写像の自己組織化を証明している。
計算部は、バックプロパゲーションを伴わない学習機構と極小の訓練データセットを用いて、古典的画像認識タスクにおける提案手法の有効性を実証する。
最後に、神経生物学的セクションは、樹状樹の構造的誘引体の実装の可能性、内部の誘引体のダイナミクスの投影としてのニューラルコーディング、そして、提案された学習概念をサポートするニューラルアーキテクチャの開発に関する仮説を定式化する。
これらの仮説は、樹状体計算、シナプス可塑性、および神経回路の構造構造における現代の実験データの文脈で議論されている。
提案された神経生物学的メカニズムは、確立された生物学的事実よりも検証可能な仮説として提示される。
この結果は,提案モデルの数学的整合性と計算可能性を示し,神経生物学的仮説は実験的検証の可能性について概説している。
関連論文リスト
- Persistent Topological Structures and Cohomological Flows as a Mathematical Framework for Brain-Inspired Representation Learning [0.0]
本稿では,脳に触発された表現学習のための数学的に厳密な枠組みを提案する。
代数トポロジーと微分幾何学を統合し、勾配に基づく学習を一般化するコホモロジー作用素を構成する。
実験結果から, このモデルでは, グラフニューラルおよび多様体に基づくディープアーキテクチャと比較して, 優れた多様体の整合性と耐雑音性が得られることが示された。
論文 参考訳（メタデータ） (2025-12-09T04:48:50Z) - Sparse Autoencoder Neural Operators: Model Recovery in Function Spaces [75.45093712182624]
本研究では,スパースオートエンコーダ(SAE)を昇降空間や無限次元関数空間に拡張し,大規模ニューラル演算子(NO)の機械的解釈性を実現するフレームワークを提案する。
我々は、SAE、リフト-SAE、SAEニューラル演算子の推論とトレーニングのダイナミクスを比較した。
我々は、リフトと演算子モジュールが有益な帰納バイアスを導入し、より高速なリカバリを可能にし、スムーズな概念のリカバリを改善し、様々な解像度にわたる堅牢な推論を可能にした点を強調した。
論文 参考訳（メタデータ） (2025-09-03T21:57:03Z) - Embryology of a Language Model [1.1874560263468232]
本研究では, モデルの構造的発達を可視化するために, UMAPを感受性マトリックスに適用する胚学的アプローチを提案する。
我々の可視化は、誘導回路のような既知の特徴の形成と、以前に未知の構造を発見したことのグラフを、明確なボディプランの出現を示す。
論文 参考訳（メタデータ） (2025-08-01T05:39:41Z) - NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。
内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。
NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-06-05T01:01:18Z) - Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。
我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。
我々は、理論的な主張を合成データ実験で裏付ける。
論文 参考訳（メタデータ） (2024-06-01T18:01:03Z) - 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) - Neurons as hierarchies of quantum reference frames [0.0]
我々は、シナプス、樹状突起および軸索過程、ニューロン、局所ネットワークの均一でスケーラブルな表現を開発する。
発達的・再生的文脈において、モデルがどのように非神経細胞や組織に一般化されるのかを概説する。
論文 参考訳（メタデータ） (2022-01-04T00:53:56Z) - Complementary Structure-Learning Neural Networks for Relational
Reasoning [3.528645587678267]
海馬におけるパターン分離は,新しい環境下での迅速な学習を可能にすることを示す。
ネオコルテックスのゆっくりとした学習は、よく学習された環境から体系的な構造を抽出するために小さな重量変化を蓄積する。
論文 参考訳（メタデータ） (2021-05-19T06:25:21Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Contrastive Topographic Models: Energy-based density models applied to
the understanding of sensory coding and cortical topography [9.555150216958246]
計算・アルゴリズム・構造・機械的レベルでの視覚脳の機能解明を支援する理論モデルを構築することの課題に対処する。
論文 参考訳（メタデータ） (2020-11-05T16:36:43Z)
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。