論文の概要: Structure alone supports efficient visual computation in the Drosophila visual system
- arxiv url: http://arxiv.org/abs/2610.10023v1
- Date: Wed, 07 Oct 2026 13:10:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.930138
- Title: Structure alone supports efficient visual computation in the Drosophila visual system
- Title（参考訳）: ショウジョウバエ視覚系における効率的な視覚計算を支援する構造のみ
- Abstract要約: 成人のショウジョウバエのメラノガスターコネクトームを解剖学的に忠実な眼のモデルに結合した。
視覚情報は眼モデルで入力され、コネクトームに渡され、最後にケニオンセル中心の線形デコーダから読み取られる。
このモデルは色識別、形状分類、数値識別を含むマルチタスクビジョンをサポートする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the extent to which measured synaptic wiring determines computation remains a central challenge. Here, we couple the proofread adult Drosophila melanogaster connectome to an anatomically faithful model of its eye. Visual information is inputted in the eye model, then passed to the connectome, and finally read from a Kenyon-cell-centered linear decoder. This creates a connectome-only model in which the anatomical graph and eye geometry are fixed and only scalar synaptic gains and neuronal thresholds may be learned. The model supports multitask vision, including color discrimination, shape classification, and numerical discrimination that follows a ratio-dependent scaling characteristic of approximate number perception. To test whether precise connectivity is consequential under wiring economy, we compare the biological graph to randomized ensembles that increasingly preserve biological synaptic constraints. At matched wiring cost, the biological network consistently yields higher accuracy, whereas less constrained rewiring surpasses it at the cost of inflated wiring. These findings indicate that the measured connectivity and eye geometry jointly set efficient operating points for visual computation.
- Abstract（参考訳）: 計測されたシナプス配線が計算をどの程度決定するかを理解することは、依然として中心的な課題である。
ここでは、ショウジョウバエの成体であるショウジョウバエコネクトームを解剖学的に忠実な眼のモデルに結合する。
視覚情報は眼モデルで入力され、コネクトームに渡され、最後にケニオンセル中心の線形デコーダから読み取られる。
これは、解剖学的グラフと眼の幾何学が固定され、スカラーシナプス利得と神経閾値のみが学習されるコネクトームのみのモデルを生成する。
このモデルは、色識別、形状分類、および近似数知覚の比依存スケーリング特性に従う数値識別を含むマルチタスクビジョンをサポートする。
配線経済下での正確な接続性を検証するため,生物学的なシナプス的制約をますます維持するランダム化アンサンブルと生物学的グラフを比較した。
一致した配線コストでは、生物学的ネットワークは高い精度を得る一方、制約の少ない配線は膨張した配線コストでそれを超える。
これらの結果から,計測された接続性および視線形状が視覚計算のための効率的な演算点を協調的に設定していることが示唆された。
関連論文リスト
- BioNIC: Biologically Inspired Neural Network for Image Classification Using Connectomics Principles [2.2344764434954256]
我々は、MICrONsデータセットからの詳細なシナプス接続グラフにインスパイアされた感情分類のためのフィードフォワードニューラルネットワークであるBioNICを提案する。
構造レベルでは、マウス一次視覚皮質(V1)の1つの皮質列から導かれる構造的制約を組み込む。
機能レベルでは, ホメオスタディレギュレーションを伴うヘビアンシナプス可塑性, 層正規化, 知覚入力における自然変動に対するデータ露出のモデル化, 神経性モデリングのためのシナプスノイズ。
論文 参考訳（メタデータ） (2026-01-20T08:58:30Z) - End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence [42.52549987351643]
本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。
このパイプラインの目標は、ストロークデータにおける接続性のための効率的な脳表現を定義することである。
この表現は、有向グラフ畳み込みアーキテクチャ内で使われ、説明可能な人工知能(AI)ツールで調査される。
論文 参考訳（メタデータ） (2024-07-17T13:34:05Z) - Graph Relation Distillation for Efficient Biomedical Instance
Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。
画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。
多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文 参考訳（メタデータ） (2024-01-12T04:41:23Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Multi-Head Graph Convolutional Network for Structural Connectome
Classification [8.658134276685404]
グラフ畳み込みネットワーク(GCN)にインスパイアされた機械学習モデルを提案する。
提案するネットワークは,エッジとノードに着目したグラフ畳み込みを含む,異なるヘッドを用いたシンプルな設計である。
脳接続データから補完的特徴と代表的特徴を抽出する能力をテストするため,私たちは性分類の課題を選択した。
論文 参考訳（メタデータ） (2023-05-02T15:04:30Z) - Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文 参考訳（メタデータ） (2022-11-22T20:44:28Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z)
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。