論文の概要: Neural noise enables accurate internal simulation of rare events

• arxiv url: http://arxiv.org/abs/2609.18033v1
• Date: Wed, 16 Sep 2026 02:31:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.61201
• Title: Neural noise enables accurate internal simulation of rare events
• Title（参考訳）: ニューラルノイズは希少事象の正確な内部シミュレーションを可能にする
• Abstract要約: 脳は、予測と行動のガイドを行うために、世界の正確な内部モデルが必要です。 これは、限られたサンプルで観測された周波数が、その真の周波数を実質的に過小評価または過大評価する稀な事象にとって特に困難である。 リプレイ中の単位活動における時間的に相関するランダムなゆらぎとしてモデル化された中程度のニューラルノイズは、忠実な内部シミュレーションに不可欠である。 我々のモデルはまた、パーキンソン病などの疾患において、変化したニューラルバリアビリティが内部モデル忠実性を損なう可能性があるかを調べるためのテスト可能なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 3.9353108206876968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The brain needs an accurate internal model of the world to generate predictions and guide behavior. However, it must estimate the statistical structure of the environment from limited experience. This is particularly difficult for rare events, whose observed frequencies in a limited sample may substantially under- or overestimate their true frequencies. How the brain constructs an accurate internal model despite this sampling problem remains unclear. We address this problem using a Bayesian Confidence Propagation Neural Network (BCPNN) trained on event sequences from a Markov-chain random walk with controlled event frequencies. Treating the underlying Markov structure as the ground truth, we train the network on limited sample of event sequences and then allow it to generate autonomous replay based on the learned structure. We evaluate replay fidelity at the levels of both marginal event frequencies and conditional transition structure. We find that moderate neural noise, modeled as temporally correlated random fluctuations in unit activity during replay, is critical for faithful internal simulation. Without this variability, deterministic replay systematically under- or overrepresents rare events, whereas moderate noise restores both their marginal and conditional occurrence. Moderate noise also broadens the range of parameter values that produce accurate replay, making the model more robust to parameter variation. Together, these results support noise-assisted internal simulation as a potential mechanism for compensating for sampling errors arising from limited experience. Our model also provides a testable framework for investigating how altered neural variability may impair internal-model fidelity in disorders such as Parkinson's disease.
• Abstract（参考訳）: 脳は、予測と行動のガイドを行うために、世界の正確な内部モデルが必要です。 しかし、限られた経験から環境の統計的構造を推定する必要がある。 これは、限られたサンプルで観測された周波数が、その真の周波数を実質的に過小評価または過大評価する稀な事象にとって特に困難である。 このサンプリング問題にもかかわらず、脳がどのように正確な内部モデルを構築するのかは不明だ。 マルコフ連鎖ランダムウォークからイベントシーケンスを学習したベイズ信頼伝播ニューラルネットワーク(BCPNN)を用いてこの問題に対処する。 基礎となるマルコフ構造を基礎となる真実として扱うことで、イベントシーケンスの限られたサンプルに基づいてネットワークをトレーニングし、学習された構造に基づいて自律的なリプレイを生成する。 事象周波数と条件遷移構造の両方のレベルにおけるリプレイ忠実度を評価した。 リプレイ中の単位活動における時間的に相関するランダムなゆらぎとしてモデル化された中程度のニューラルノイズは、忠実な内部シミュレーションに不可欠である。 この変動がなければ、決定論的リプレイは稀な出来事を体系的に下方または過剰に表現し、一方中程度の雑音は限界と条件の両方を復元する。 適度なノイズはまた、正確なリプレイを生成するパラメータ値の範囲を広げ、モデルがパラメータの変動に対してより堅牢になる。 これらの結果は,限られた経験から生じるサンプリング誤差を補償するための潜在的なメカニズムとして,雑音支援内部シミュレーションをサポートする。 我々のモデルは、パーキンソン病などの疾患において、変化したニューラルバリアビリティが内部モデル忠実度を損なう可能性があるかを調べるためのテスト可能なフレームワークも提供する。

関連論文リスト

• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Uncertainty Quantification With Noise Injection in Neural Networks: A Bayesian Perspective [1.6044444452278062]
  ベイズの観点からノイズ注入と不確実性定量化の関連性を確立する。 本稿では,モンテカルロノイズ注入法(MCNI)を提案する。 本手法は,ベースラインモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-21T17:28:52Z)
• Limitations to Dynamical Error Suppression and Gate-Error Virtualization from Temporally Correlated Nonclassical Noise [0.0]
  ガウス量子デファスリングノイズの下で, 最小解法可能な単一量子ビットモデルについて検討する。 ディジタル周期制御では、制御履歴がない場合に達成できるものよりも厳密に小さい値でゲート忠実度が飽和することを証明する。 カップリングがノイズの相関時間よりも大きい時間スケールでキュービットを極端に純粋に保てる場合のみ、浴槽は元の統計にほぼ収束する。
  論文  参考訳（メタデータ） (2024-07-05T18:00:00Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)

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。