論文の概要: Error- and Prediction-Driven Motor Learning in the Cortico-Cerebellar Loop

• arxiv url: http://arxiv.org/abs/2609.29945v1
• Date: Thu, 24 Sep 2026 15:07:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.040812
• Title: Error- and Prediction-Driven Motor Learning in the Cortico-Cerebellar Loop
• Title（参考訳）: 皮質小脳ループにおける誤差・予測駆動型運動学習
• Abstract要約: 本稿では、多重化予測表現と内部フィードバックを組み合わせた小脳誘発制御フレームワークを提案する。 その結果,単信号予測は遅延下では不十分であり,多重化とフィードバックはオンライン制御と迅速な学習のための統一的なメカニズムを提供することがわかった。
• 参考スコア（独自算出の注目度）: 2.7018389296091505
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Robust control under delayed sensory feedback remains a key challenge in both robotics and neuroscience. Classical cerebellar models explain delay compensation through forward prediction but fail to account for fast online corrections and rapid adaptation observed in biological systems. We propose a cerebellum-inspired control framework that combines multiplexed predictive representations with internal feedback. By jointly encoding kinematic variables and task-relevant error signals, the model enables accurate online correction despite delayed feedback. Furthermore, incorporating feedback within the cerebellar loop significantly accelerates adaptation, reducing learning time by an order of magnitude. Our results show that single-signal predictions are insufficient under delay, while multiplexing and feedback together provide a unified mechanism for online control and rapid learning.
• Abstract（参考訳）: 遅延感覚フィードバックの下でのロバスト制御は、ロボティクスと神経科学の両方において重要な課題である。 古典的小脳モデルは、前方予測による遅延補償を説明するが、生物システムで観察される高速なオンライン修正と迅速な適応を説明できない。 本稿では、多重化予測表現と内部フィードバックを組み合わせた小脳誘発制御フレームワークを提案する。 動作変数とタスク関連エラー信号を共同で符号化することにより、遅延したフィードバックにもかかわらず正確なオンライン修正を可能にする。 さらに、小脳ループにフィードバックを組み込むことで適応が著しく加速し、学習時間を桁違いに短縮する。 その結果,単信号予測は遅延下では不十分であり,多重化とフィードバックはオンライン制御と迅速な学習のための統一的なメカニズムを提供することがわかった。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Delay-adaptive Control of Nonlinear Systems with Approximate Neural Operator Predictors [6.093618731228799]
  本稿では,未知かつ任意に長いアクチュエータ遅延を持つ非線形システムにおいて,予測器フィードバックコントローラを実装するための厳密な手法を提案する。 予測器の解析的に難解な性質に対処するため,学習したニューラル演算子マッピングを用いて近似した。 ニューラル演算子の普遍近似定理と遅延の輸送偏微分方程式(PDE)表現に基づく理論的安定性解析を行う。 Lyapunov-Krasovskii関数を通して、予測子の近似誤差と遅延境界に依存する力学系の半言語的実践的収束を証明した。
  論文  参考訳（メタデータ） (2025-08-28T02:30:53Z)
• Neural Operators for Predictor Feedback Control of Nonlinear Delay Systems [3.0248879829045388]
  我々は,予測設計を演算子学習問題として再認識し,ニューラル演算子を介して予測子マッピングを学習する。 近似予測器の下では,閉ループ非線形遅延システムの半言語的実用安定性を実現する。 ニューラル演算子モデルを用いた5リンクロボットマニピュレータの制御によるアプローチの実証を行った。
  論文  参考訳（メタデータ） (2024-11-28T07:30:26Z)
• Minimizing Control for Credit Assignment with Strong Feedback [65.59995261310529]
  ディープニューラルネットワークにおける勾配に基づくクレジット割り当ての現在の手法は、無限小のフィードバック信号を必要とする。 我々は、神経活動に対する強いフィードバックと勾配に基づく学習を組み合わせることで、ニューラルネットワークの最適化に関する新たな視点を自然に導き出すことを示す。 DFCにおける強いフィードバックを用いることで、空間と時間において完全に局所的な学習規則を用いることで、前向きとフィードバックの接続を同時に学習できることを示す。
  論文  参考訳（メタデータ） (2022-04-14T22:06:21Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Learn one size to infer all: Exploiting translational symmetries in delay-dynamical and spatio-temporal systems using scalable neural networks [1.9686770963118383]
  力学系における翻訳対称性に適応したニューラルネットワーク。 我々はこれらのネットワークをトレーニングし、単一のサイズで遅延と動的時空システムのダイナミクスを予測する。 ネットワークのサイズをスケールすることで、より大きく、より小さなシステムサイズで複雑なダイナミクスを予測できることを実証します。
  論文  参考訳（メタデータ） (2021-11-05T19:09:50Z)
• Bio-plausible Unsupervised Delay Learning for Extracting Temporal Features in Spiking Neural Networks [0.548253258922555]
  ニューロン間の伝導遅延の可塑性は、学習において基本的な役割を果たす。 シナプス遅延の正確な調整を理解することは、効果的な脳にインスパイアされた計算モデルを開発するのに役立ちます。
  論文  参考訳（メタデータ） (2020-11-18T16:25:32Z)
• Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
  予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。 アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。 本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-02T15:21:37Z)

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。