論文の概要: How Long Is the Coast of a Neuron? Resolution-Dependent Interaction Order and Computational Capacity
- arxiv url: http://arxiv.org/abs/2610.19487v1
- Date: Wed, 14 Oct 2026 03:02:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.929542
- Title: How Long Is the Coast of a Neuron? Resolution-Dependent Interaction Order and Computational Capacity
- Title（参考訳）: ニューロンの海岸はどのくらいあるか? 分解能依存的相互作用秩序と計算能力
- Abstract要約: モデルファミリの外部から直接依存によって取得された予測情報を分離するスケールインデクシング分解を導入する。
予測情報が減少しても、投射は生存情報の直接数を増やすことができる。
したがって、点-ニューロンまたは直接集団モデルは、指定されたスケールで効果的な記述を確立する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mandlebrot's coastline paradox reframes measurement as a joint property of an object and its ruler. Here we ask how observational resolution shapes the apparent structure of neural computation. We introduce a scale-indexed decomposition that separates the predictive information captured by direct dependencies from the residual outside that model family. Exact constructions show that projection can convert higher-order dependence into pairwise structure. Projection can increase the direct fraction of surviving information even as total predictive information decreases. A schematic branch-to-soma cascade grounds these effects in local coincidence detection, saturating integration and somatic mixing. Resolving organized nonlinear subunits improves approximation and raises effective representational rank. In a nested hierarchy, these gains occur without increasing information about the target. This distinction separates information availability from access by a restricted readout. A point-neuron or direct population model therefore establishes an effective description at a specified scale. It does not uniquely identify the finer computation that generated the observed relation. Which resolution is adequate depends on the observable and perturbation of interest.
- Abstract（参考訳）: マンドルブロットの海岸線パラドックスは、物体とその支配者の結合特性として測定を再構成する。
ここでは、観測分解能がニューラル計算の明らかな構造をどのように形成するかを問う。
モデルファミリの外部から直接依存によって取得された予測情報を分離するスケールインデクシング分解を導入する。
厳密な構成は、射影が高次依存をペア構造に変換することを示している。
予測情報が減少しても、投射は生存情報の直接数を増やすことができる。
スキーマ的分岐ソーマカスケードは、これらの効果を局所的偶然検出、飽和積分、体液混合において基礎づける。
組織化された非線形サブユニットの分解は近似を改善し、効果的な表現ランクを上げる。
ネストされた階層では、これらのゲインはターゲットに関する情報を増やすことなく発生します。
この区別は、制限された読み出しによるアクセスから情報可用性を分離する。
したがって、点-ニューロンまたは直接集団モデルは、指定されたスケールで効果的な記述を確立する。
観測された関係を発生させたより微細な計算をユニークに識別するものではない。
どの解決法が適切かは、観測可能な関心の摂動に依存する。
関連論文リスト
- Neural Renormalization Group Flow for Percolation [2.6754482304270018]
我々は2次元サイトパーコレーションのための教師付きスケール共有ニューラルアーキテクチャを開発した。
学習した潜在表現が、パーコレーションの再正規化群構造と一致する臨界変動とスケール依存フローを示すことが重要である。
論文 参考訳（メタデータ） (2026-08-27T07:56:45Z) - Geometric and Behavioral Stratification in Transformer Residual Streams [0.0]
訓練されたトランスモデルは特権ベースを発達させ、残りの残流と統計が異なる座標軸を発達させる。
モデルが現在予測しているトークンの予測方向,非埋め込み方向について検討し,コンテンツ定義の特権アンカーとして機能することを確認した。
論文 参考訳（メタデータ） (2026-08-12T17:42:20Z) - Estimating Interventional Distributions with Uncertain Causal Graphs through Meta-Learning [26.3914014514629]
生物学から社会科学まで、科学分野では、多くの疑問がテキスト化されます。
モデル平均因果推定変換器ニューラルプロセス(MACE-TNP)を用いたメタラーニングによるエンドツーエンドモデルの構築を提案する。
我々の研究は、複雑なベイズ因果推論を近似するフレキシブルでスケーラブルなパラダイムとしてメタラーニングを確立している。
論文 参考訳（メタデータ） (2025-07-07T22:48:32Z) - Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。
目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文 参考訳（メタデータ） (2023-01-19T18:39:48Z) - Unifying local and global model explanations by functional decomposition
of low dimensional structures [0.0]
回帰関数や分類関数のグローバルな説明を主成分と相互作用成分の和に分解して考える。
ここで、qは分解に存在する相互作用の最高位を表す。
論文 参考訳（メタデータ） (2022-08-12T07:38:53Z) - Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。
エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。
我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文 参考訳（メタデータ） (2022-01-25T06:23:10Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。
実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文 参考訳（メタデータ） (2021-04-05T21:44:00Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z) - Interpolation and Learning with Scale Dependent Kernels [91.41836461193488]
非パラメトリックリッジレス最小二乗の学習特性について検討する。
スケール依存カーネルで定義される推定器の一般的な場合を考える。
論文 参考訳（メタデータ） (2020-06-17T16:43:37Z)
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。