論文の概要: Benchmarking the Connectomes of Caenorhabditis elegans within the Reservoir Computing Framework
- arxiv url: http://arxiv.org/abs/2609.30508v1
- Date: Thu, 24 Sep 2026 19:51:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.125575
- Title: Benchmarking the Connectomes of Caenorhabditis elegans within the Reservoir Computing Framework
- Title（参考訳）: 貯留層計算フレームワークにおける線虫Caenorhabditis elegansのコネクトームのベンチマーク
- Abstract要約: 本研究の目的は,貯水池計算フレームワークを用いた計算レンズを用いて線虫Caenorhabditis elegansのコネクトームを調べることである。
この論文で使用されるC. elegansのコネクトームは、生物の異なる年齢で派生し、細胞間接続を測定する3つの異なる方法に基づいている。
その結果, 生物配線とバイオインフォームによる貯水池の入力ノードと出力ノードの構成が, 必ずしも優れた性能をもたらすとは限らないことがわかった。
- 参考スコア（独自算出の注目度）: 14.487258585834374
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The aim of this work is to examine the connectomes of Caenorhabditis elegans through a computational lens using the reservoir computing framework. Connectomes are mappings of biological neural networks; C. elegans is the first organism for which physical connectomes covering the whole nervous system have been published. The connectomes of C. elegans used in this paper have been derived at different ages of the organism and are based on three different ways of measuring inter-cellular connections. They have, with minimal preprocessing, been implemented as reservoirs in the form of echo state networks, which are recurrent neural networks. In reservoir computing, the reservoir itself is not trained, rather the output of the reservoir is passed to a comparatively small read-out module in which training takes place. Training and testing is conducted in different neuro-inspired tasks, with the aim of using these tasks as a benchmark for the connectomes. This process has been repeated with different configurations of the reservoir and equally sized but randomized null models have been used for comparison. The results show that the biological wiring and a bio-informed configuration of input and output nodes of the reservoirs do not necessarily lead to better performance. Contrarily, the randomized null models are often outperforming the original connectomes on the chosen benchmarks. At the same time it becomes clear that the results depend a lot on the configuration of the reservoir and the way the connectome has been derived from the organism. Connectomes from different ages may produce varying outcome, without a clear trend becoming visible.
- Abstract（参考訳）: 本研究の目的は,貯水池計算フレームワークを用いた計算レンズを用いて線虫Caenorhabditis elegansのコネクトームを調べることである。
コネクトームは生物学的ニューラルネットワークのマッピングであり、C. elegansは神経系全体をカバーしている物理的コネクトームを公表した最初の生物である。
この論文で使用されるC. elegansのコネクトームは、生物の異なる年齢で派生し、細胞間接続を測定する3つの異なる方法に基づいている。
最小限の事前処理で、リカレントニューラルネットワークであるエコー状態ネットワークの形で、貯水池として実装されている。
貯水池コンピューティングでは、貯水池そのものは訓練されていないが、貯水池の出力は比較的小さな読み出しモジュールに渡され、そこで訓練が行われる。
トレーニングとテストは、コネクトームのベンチマークとしてこれらのタスクを使用することを目的として、異なる神経誘発タスクで実施される。
このプロセスは貯水池の異なる構成で繰り返されており、同じ大きさだがランダム化されたヌルモデルが比較に使われている。
その結果, 生物配線とバイオインフォームによる貯水池の入力ノードと出力ノードの構成が, 必ずしも優れた性能をもたらすとは限らないことがわかった。
対照的に、ランダム化されたnullモデルは、選択されたベンチマークで元のコネクトームよりも優れていることが多い。
同時に、結果は貯水池の構成やコネクトームが生物に由来する方法に大きく依存していることが明らかになる。
異なる年齢のコネクトームは、明確な傾向が見えなくなることなく、様々な結果をもたらす可能性がある。
関連論文リスト
- From Neural Activity to Computation: Biological Reservoirs for Pattern Recognition in Digit Classification [5.786141965873944]
本稿では,培養された生体ニューロンのネットワークが貯留層として機能する貯留層コンピューティング(RC)への生物学的基盤的アプローチを提案する。
カスタムデータセットを用いた数字分類のケーススタディにより,本システムの評価を行った。
論文 参考訳（メタデータ） (2025-10-07T07:36:36Z) - Neural auto-association with optimal Bayesian learning [0.0]
本稿では,入力層と出力層が同一である自己連想のためのベイズ連想ネットワークについて検討する。
性能は、単純ベイズの仮定に反する入力コンポーネントの微妙な依存関係に依存する可能性があることが判明した。
論文 参考訳（メタデータ） (2024-12-24T11:22:18Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Artificial Neuronal Ensembles with Learned Context Dependent Gating [0.0]
LXDG(Learned Context Dependent Gating)は、人工神経のアンサンブルを柔軟に割り当て、リコールする方法である。
ネットワークの隠れた層におけるアクティビティは、トレーニング中に動的に生成されるゲートによって変調される。
本稿では,この手法が連続学習ベンチマークにおける破滅的な忘れを軽減できることを示す。
論文 参考訳（メタデータ） (2023-01-17T20:52:48Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - Residual Embedding Similarity-Based Network Selection for Predicting
Brain Network Evolution Trajectory from a Single Observation [0.0]
本稿では,脳ネットワークの進化軌道を予測するために,Residual Embedding similarity-Based Network selection (RESNets)を提案する。
健康な脳ネットワークと障害のある脳ネットワークに関する実験は、提案手法の成功を実証している。
論文 参考訳（メタデータ） (2020-09-23T12:40:04Z) - Reservoir Memory Machines as Neural Computers [70.5993855765376]
微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。
我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
論文 参考訳（メタデータ） (2020-09-14T12:01:30Z) - TaBooN -- Boolean Network Synthesis Based on Tabu Search [0.0]
Omics-Technologyは、複数の次元とスケールで分子データを生成することによって生物学の研究に革命をもたらした。
生物学的ネットワークは、遺伝子やタンパク質などのコンポーネントを参照するノードと、それらの相互作用を形式化するエッジ/弧から構成される。
論文 参考訳（メタデータ） (2020-09-08T08:56:14Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳（メタデータ） (2020-06-29T17:59:26Z) - Automatic Recall Machines: Internal Replay, Continual Learning and the
Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。
本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。
代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文 参考訳（メタデータ） (2020-06-22T15:07:06Z)
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。