論文の概要: A Connectome Test of the Fly Hashing Algorithm

• arxiv url: http://arxiv.org/abs/2610.09114v1
• Date: Tue, 06 Oct 2026 21:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.605531
• Title: A Connectome Test of the Fly Hashing Algorithm
• Title（参考訳）: フライハッシングアルゴリズムのコネクトーム試験
• Abstract要約: ショウジョウバエ嗅覚回路は局所性に敏感なハッシュであり,古典的なLSHに勝っている。 我々はこれを4つの電子顕微鏡コネクトームに対して試験する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dasgupta, Stevens and Navlakha (2017) showed that the Drosophila olfactory circuit, modelled as a random sparse projection followed by winner-take-all, is a locality-sensitive hash that beats classical LSH. The projection was random because the wiring was unknown. We test it against four electron-microscopy connectomes (MaleCNS, hemibrain, FlyWire, BANC; four animals, seven hemispheres). First, the 2017 pattern holds in a reimplementation of its protocol on SIFT, MNIST and odour mixtures (GloVe is near chance at short codes for every method): the fly hash beats k Gaussian projections at short hash lengths (3.1x in AP@200 on MNIST at k = 4). Second, against the tested real-valued Gaussian baseline that advantage is per active cell, not per operation: Gaussian projections given the same projection arithmetic retrieve better on every dataset and input dimension tested. Third, across four connectomes the measured pairing of glomeruli gives no consistent retrieval advantage over degree-preserving rewiring: retrieval is slightly lower (median -1.6%), and the small odour deficits depend on how missing odour responses are treated. Separately, equalising glomerular fan-out at fixed connection count improves retrieval in the model in every hemisphere, while equalising inputs per cell lowers it on average. Yet the fan-out profile is similar across the four sampled animals (median between-animal Spearman rho = 0.86), structural synapse counts do not offset it, and its relation to odour tuning is weak. In the model that uneven allocation costs retrieval. For practice: measured wiring gives no consistent retrieval advantage over degree-preserving random wiring, so a fly hash needs no connectome data, and its advantage is per active unit, which may suit hardware where active units rather than arithmetic are the binding cost, a hypothesis we do not test.
• Abstract（参考訳）: Dasgupta, Stevens and Navlakha (2017) は、ショウジョウバエ嗅覚回路がランダムなスパースプロジェクション(英語版)としてモデル化され、勝ち取りオール(英語版)が続くことを示した。 配線が不明であったため、プロジェクションはランダムだった。 電子顕微鏡による4つのコネクトーム (MaleCNS, hemibrain, FlyWire, BANC; 4匹の動物, 7匹の半球) を試験した。 第一に、2017年のパターンは、SIFT、MNIST、およびオドア混合物上のプロトコルを再実装する(GloVeは各メソッドの短いコードにほぼ近い): フライハッシュは、短いハッシュ長でkガウス射影を3.1x、k = 4でMNISTでAP@200)。 第二に、テストされた実数値のガウス基底線に対して、その利点はアクティブセル当たりではなく、操作当たりである: 同じプロジェクション演算を与えられたガウス射影は、テストされた全てのデータセットと入力次元において、よりよく検索される。 第三に、4つのコネクトームにまたがって測定された糸球体のペアリングは、度合いを保ったリウィリングよりも一貫した検索の優位性を与えない: 検索はわずかに低く(中間-1.6%)、小さな臭素の欠損は、臭素の反応がどう扱われるかによって異なる。 これとは別に、固定接続数における糸球体ファンアウトの等化は、各半球におけるモデルの検索を改善し、セル毎の入力の等化は平均的に低下させる。 しかし、ファンアウトプロファイルは4種の標本(中間種間スピアマンrho = 0.86)で類似しており、構造的シナプス数はオフセットせず、臭気調整との関係は弱い。 不均一なアロケーションのモデルでは、検索にコストがかかります。 実際には、測定された配線は、次数保存のランダム配線よりも一貫した検索の利点を与えないので、フライハッシュはコネクトームデータを必要としない。

関連論文リスト

• Two-Sample Testing via Generative Processes [60.42943145582429]
  生成輸送は、2つのサンプルが同じ分布から来るかどうかを決定する新しい方法を提供する。 2つのサンプルの間に直接補間体を構築し、対称スケジュールでは、その法則が時間反射の下で不変であることを観察する。 したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。
  論文  参考訳（メタデータ） (2026-10-06T12:48:27Z)
• Adaptive Mean Estimation by In-Context Learning: A Gradient-Flow Analysis [5.932909191486171]
  従来の適応型ネットワーク(PFN)は、真のデータ生成モデルに合わせた手法と同様に、統計的適応性を持つ。 制御された位置推定問題において,そのような適応性がどのように学習されるかを検討する。
  論文  参考訳（メタデータ） (2026-10-06T05:57:10Z)
• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• Recovering Governing Dynamics from Distributed Observations via Exact Spline Merging [0.0]
  本稿ではこの設定に2つの貢献をする。 固定基底リッジ回帰統計の確立された付加構造を適用した。 完全なパイプラインは、分散観察と物理パラメータ推論を結合する。
  論文  参考訳（メタデータ） (2026-09-15T03:25:06Z)
• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Anticipating the Optimism Gap: Predicting Distribution-Shift Degradation of RF-Impairment Detectors from In-Distribution Statistics [0.0]
  電波障害の検知器は、通常、調整された分布で測定された単一のAUCで報告される。 アウト・オブ・ディストリビューション・データを見る前に、この楽観主義が予測できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-20T14:10:59Z)
• A data-driven Fourier-mixture neural-network method for density estimation [0.0]
  実験特性関数(CF)情報から固定水平確率密度を推定するためのデータ駆動型ニューラルネットワーク手法を提案する。 この方法は、i.d.サンプルから構築された経験的CFに対して訓練される。 実験では、重み付けされた目標に対する明らかな利得、理論と一致した$L$エラー崩壊、および再サンプリングされた依存データから1年間のオーストラリア株式リターン法を効果的に推定している。
  論文  参考訳（メタデータ） (2026-05-18T08:11:24Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Direct Measure Matching for Crowd Counting [59.66286603624411]
  そこで本研究では,予測密度マップを散乱点付基底真理に直接回帰する測度に基づく新しい計数手法を提案する。 本稿では, シンクホーンの測位損失を計測するために設計した, 半平衡型のシンクホーン発散を導出する。
  論文  参考訳（メタデータ） (2021-07-04T06:37:33Z)

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。