論文の概要: Reconstruction differences rival individual differences in the fly compass connectome and break trained circuit models
- arxiv url: http://arxiv.org/abs/2610.29205v1
- Date: Wed, 21 Oct 2026 04:51:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.209333
- Title: Reconstruction differences rival individual differences in the fly compass connectome and break trained circuit models
- Title（参考訳）: ハエコンパスコネクトームと破壊訓練回路モデルにおける個体差の再現性の違い
- Abstract要約: ショウジョウバエの頭部方向回路を9つのバージョンで検討した。
各配線でトレーニングされたネットワークは、発達したほぼ完璧なリングアトラクタを保持するためにキュードヘッドを保持する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural network models are increasingly constructed from synapse-resolution connectomes, and the same circuit is now available in reconstructions from other animals and pipelines. We do not know whether such models are dependent on the reconstruction they are built from, and whether connectome differences are biological or measurement errors. We studied the Drosophila head-direction circuit in nine versions: four flies (male CNS, hemibrain, Fly Wire, BANC) and five variants of the same fly varying only by thresholds, proofreading or synapse detection. Using wiring-based correspondences validated by anatomical labels, we place all differences on one scale. A change of synapse detection within one fly changed the circuit more than halfway to the smallest inter-fly difference on four distances; proofreading differences were smaller but depended on the metric, and left and right halves of one fly differed no more than a random half. Networks trained on each wiring to hold a cued heading developed near-perfect ring attractors, but their error increased from below 1 degree to 10-28 degrees when all weights changed by 1%. Training on each wiring did not transfer to any other connectome, including other versions of the same fly; refitting thirty cell-type gains, we repaired filtering-level differences but remaining error depended on wiring distance. Training with noise lowered precision and enhanced transfer. Imaging data indicate compasses drift smoothly and do not break; they function despite differences comparable to those of this study.Therefore, connectome-constrained models need to reflect the reconstruction they stem from and the robustness normal circuits exhibit and models lack.
- Abstract（参考訳）: ニューラルネットワークモデルはシナプス分解能コネクトームからますます構築され、同じ回路が他の動物やパイプラインからの再構築で利用できるようになった。
このようなモデルが構築された再構成に依存するのか、コネクトームの違いが生物学的か測定誤差であるかはわからない。
CNS, ヘミブライン, フライワイア, BANC) と同一ハエの5変種は, 閾値, 検定, シナプス検出のみによって異なる。
解剖学的ラベルによって検証された配線ベースの対応を用いて,すべての差異を1つの尺度に配置する。
1羽のハエにおけるシナプス検出の変化は、回路の中間以上を4つの距離で最小のフライ間差に変更した。
各配線でトレーニングされたネットワークは、発達したほぼ完璧なリングアトラクタを保持するために開発されたが、全ての重量が1%変化したとき、その誤差は1度以下から10-28度に増加した。
各配線のトレーニングは、同じハエの他のバージョンを含む他のコネクトームに転送されず、30個のセル型ゲインを調整し、フィルタリングレベルの違いを修復したが、配線距離によって誤差は残る。
騒音による訓練は精度を低下させ、伝達を増強した。
従来のコネクトームに制約されたモデルでは、それらが生み出す再構成や、正常回路の頑健さやモデル不足を反映する必要がある。
関連論文リスト
- FlyHack: Stress-Testing Mechanistic Claims in a Connectome-Constrained Visual Model [0.0]
コネクトームに拘束されたニューラルネットワークは、生物学的成分を介入に直接アクセスできるようにする。
EmphDrosophilaの運動ビジョンモデルであるFlyvisでこれらの依存関係をストレステストする。
論文 参考訳（メタデータ） (2026-10-09T05:20:38Z) - How much of fly walking is written in the wiring? [2.988513485175193]
2つの独立したショウジョウバエコネクトームの脚運動系をシミュレートする。
それぞれを、その構造を徐々に保存する6つのリワイヤネットワークのファミリーと比較する。
リズムは一般的なものだが、反抗的な調整はそうではない。
論文 参考訳（メタデータ） (2026-09-29T23:47:37Z) - Structured Residual Connectivity Matters for Diffusion Transformers [91.88563792356344]
Diffusion Transformers (DiTs) は、高忠実度画像合成のためのスケーラブルなバックボーンとしての地位を確立している。
本稿では,DiTの残差接続を画像復調に最適化した能動的検索機構に変換することを提案する。
論文 参考訳（メタデータ） (2026-09-27T04:42:36Z) - Rewired or Gated? How Instruction Tuning Shapes Knowledge-Conflict Circuits in LLMs [0.0]
チューニングはモデルをパラメトリックメモリにシフトさせ、インストラクションモデルがベースメモリよりもはるかに正確な反ファクトコンテキストを拒否する。
したがって、命令チューニングがテラスインジェクションに対して持つロバスト性は本物だが狭くなっている。
コンフリクト回路は再構築されるのではなく保存されているため、ベースモデル上でキャリブレーションされた解釈可能性と制御ツールは、配置されたインストラクション兄弟に直接転送されるべきである。
論文 参考訳（メタデータ） (2026-09-22T02:49:16Z) - The Butterfly Effect: Neural Network Training Trajectories Are Highly Sensitive to Initial Conditions [51.68215326304272]
たとえ小さな摂動であっても、同じ訓練軌跡を確実に引き起こすことで、トレーニング時間とともに急速に減少する効果が発散することを示します。
この結果から,ニューラルネットワークのトレーニング安定性,微調整,モデルマージ,モデルアンサンブルの多様性の実践的意味が示唆された。
論文 参考訳（メタデータ） (2025-06-16T08:35:16Z) - Bridging Critical Gaps in Convergent Learning: How Representational Alignment Evolves Across Layers, Training, and Distribution Shifts [1.9458156037869137]
収束学習は、神経システムが同様の内部表現に到達する度合いである。
数十の視覚モデルと数千の層対比較にまたがる収束学習の大規模監査を行う。
発見は、表現の収束に対する理解において重要なギャップを埋め、神経科学とAIに影響を及ぼす。
論文 参考訳（メタデータ） (2025-02-26T00:04:24Z) - Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。
テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。
我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
論文 参考訳（メタデータ） (2022-05-24T23:43:02Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z) - Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。
ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
論文 参考訳（メタデータ） (2022-01-20T06:36:35Z) - Deep transfer learning for improving single-EEG arousal detection [63.52264764099532]
2つのデータセットは、単一のEEGモデルでパフォーマンスが低下する原因となる、まったく同じ設定を含んでいない。
単チャンネル脳波データのためのアーキテクチャを構築するために,ベースラインモデルをトレーニングし,最初の2層を置き換える。
細調整戦略を用いて,本モデルはベースラインモデルと同等の性能を示し,同等の単一チャネルモデルよりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-10T16:51:06Z)
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。