Learning in Wilson-Cowan model for metapopulation

要約

メタポピュレーションのウィルソン-コーワン モデル (神経質量ネットワーク モデル) は、脳のさまざまな皮質下領域を接続されたノードとして扱い、接続はこれらの領域間のさまざまな種類の構造的、機能的、または効果的なニューロン接続を表します。
各領域は、標準的なウィルソン-コーワンモデルと一致して、相互作用する興奮性細胞と抑制性細胞の集団で構成されています。
このようなメタ集団モデルのダイナミクスに安定したアトラクターを組み込むことで、高い画像およびテキスト分類精度を達成できる学習アルゴリズムに変換します。
MNIST と Fashion MNIST で、畳み込みニューラル ネットワークと組み合わせて、CIFAR-10 と TF-FLOWERS で、さらにトランスフォーマー アーキテクチャ (BERT) と組み合わせて IMDB でテストし、常に高い分類精度を示しています。
これらの数値評価は、メタ集団のウィルソン-コーワン モデルに最小限の変更を加えるだけで、これまで観察されていなかったユニークなダイナミクスを明らかにできることを示しています。

要約(オリジナル)

The Wilson-Cowan model for metapopulation, a Neural Mass Network Model, treats different subcortical regions of the brain as connected nodes, with connections representing various types of structural, functional, or effective neuronal connectivity between these regions. Each region comprises interacting populations of excitatory and inhibitory cells, consistent with the standard Wilson-Cowan model. By incorporating stable attractors into such a metapopulation model’s dynamics, we transform it into a learning algorithm capable of achieving high image and text classification accuracy. We test it on MNIST and Fashion MNIST, in combination with convolutional neural networks, on CIFAR-10 and TF-FLOWERS, and, in combination with a transformer architecture (BERT), on IMDB, always showing high classification accuracy. These numerical evaluations illustrate that minimal modifications to the Wilson-Cowan model for metapopulation can reveal unique and previously unobserved dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google