論文背景及び研究動機 アルコール乱用は全世界的な健康問題であり、男性の人口の8%以上に影響を与えています。長期のアルコール曝露は脳内のニューロンおよびシナプスの恒常性を変化させ、様々な精神障害や認知障害を引き起こします。特に運動学習に関する問題が発生します。以前の研究では、アルコール乱用によるニューロンの退行とシナプスの喪失が脳皮質および皮質下の機能に重大な影響を与えることが示されています。さらに、研究においてはニューロン以外にも、神経膠細胞がアルコールの影響下で顕著に変化することが分かっています。既存の文献では、アルコール乱用によるミクログリアのシグナル伝達の変化とオリゴデンドロサイト系譜の分化障害について言及されていますが、ニューロンとグリア細胞の活動変化に関する体内の証拠は依然として不...

背景紹介 脳は異なるサブタイプのニューロンで構成されており、これらのニューロンは局所および長距離のシナプス接続を通じて複雑な神経ネットワークを形成しています。これらの神経ネットワークの機能を理解するには、その接続パターン（プロジェクトーム）と神経ダイナミクス（ニューロンダイナミクス）を理解する必要があります。中規模接続学および細胞分解能の機能画像技術の発展により、異なる脳領域のニューロンの構造組織や機能を明らかにすることが可能になったものの、同一ニューロンの神経活動と全脳接続群を同時に把握することは依然として課題です。特に皮質下の脳領域のニューロンにとっては難しいです。 出典紹介 本文はXiang Li、Yun Du、Jiang-Feng Huangなど複数の研究チームメンバーにより共同で執...

視床Reuniens核グルタミン作動性ニューロンは5-HT2B受容体を介してマウスの結腸直腸内臓痛を誘導する 背景説明 過敏性腸症候群（IBS）は一般的な機能性腸疾患であり、その特徴は腹痛と内臓の高反応性です。内臓の高感受性を緩和することは、IBS患者の腹痛を効果的に解除する鍵です。しかし、その具体的なメカニズムはまだ完全には解明されていません。ますます多くの証拠が、視床Reuniens核（Re）と5-ヒドロキシトリプタミン（5-HT）神経伝達物質システムが結腸直腸の内臓痛の発展に重要な役割を果たしていることを示していますが、具体的なメカニズムは不明です。新生児期母子分離（NMD）マウスモデルは内臓の高感受性を示し、Re領域のグルタミン作動性ニューロンが結腸直腸内臓痛の処理に重要な役割を果た...

学術報告：先進最適追跡と神経ネットワーク評価技術の統合による非対称制約ゼロサムゲームの研究 背景と研究課題 現代の制御分野において、ゲーム理論は、少なくとも二人のプレイヤーの相互決定問題を含む、知的意思決定者間の競争と協力を研究する数学モデルである。近年、微分ゲームは制御分野でますます注目を集めている。複雑な外乱システムの最適制御問題に直面する際、通常これをゼロサムゲーム（Zero-Sum Game, ZSG）と見なす。システムの制御問題が異なる制御戦略を含み、外乱がない場合、非ゼロサムゲーム（Non-ZSG）と呼ばれる。しかし、実際のシステムには様々な外乱が存在するため、外乱がシステム性能に与える影響を軽減するために、ZSG問題をさらに考慮することが非常に重要である。 特に連続時間（Con...

深層神経ネットワーク生成コンテンツの不可視かつロバストな保護方法 学術的背景 近年、深層学習モデルが工学アプリケーションで革命的な発展と広範な応用を見せており、ChatGPTやDALL⋅E 2のような現象的なアプリケーションが次々と登場し、人々の日常生活に深い影響を与えています。同時に、人々はオープンソースの深層学習技術を利用して、画像スタイル転移や画像のカートゥーン化などの様々なコンテンツを作成できます。これらの技術はAI生成コンテンツ（AIGC）と呼ばれています。こうした背景の中で、AIGCを基にした商業アプリケーション（例えば、美图、Prisma、Adobe Lightroomなど）の著作権保護が急務かつ避けられないものとなりました。しかし、多くのAIGC関連技術がオープンソースである...

学術報告 背景紹介 知識グラフ（Knowledge Graph, KG）は、エンティティと関係の情報を記録する構造化データで、質疑応答システム、情報検索、機械読解などの分野で広く利用されています。知識グラフ埋め込み（Knowledge Graph Embedding, KGE）技術は、グラフ内のエンティティと関係を低次元の密なベクトル空間にマッピングすることで、関連アプリケーションの性能を大幅に向上させます。しかし、KGEモデルのトレーニングにおいて、高品質な負のサンプル（negative samples）を生成する方法が極めて重要です。 現在主流のKGEモデルは、負のサンプル生成において多数の課題に直面しています。いくつかのモデルは均等分布やベルヌーイ分布などの単純な静的分布を使用しており...

近年来、プライバシー保護や大規模データ転送などのアプリケーションシナリオにおいて、データの不可アクセス性に対する厳しい課題が浮き彫りになっているため、研究者たちはデータフリー知識蒸留（Data-Free Knowledge Distillation、以下DFKD）という方法を提唱し、これらの問題を解決しようとしている。知識蒸留（Knowledge Distillation、以下KD）は、深層事前学習モデル（教師モデル）から知識を学習させることで軽量モデル（学生モデル）を訓練する手法である。しかし、従来の知識蒸留法は使用可能な訓練データを必要とし、これはプライバシー保護や大規模データ転送のシナリオでは現実的ではない。本論文では、新しいDFKD手法であるAdaptive Data-Free Kn...

論文の背景と研究目的 強化学習（Reinforcement Learning, RL）は近年、人工知能分野で非常に活発かつ変革的な分野となっており、その目的はエージェントと環境との相互作用を通じて累積報酬を最大化する能力を実現することです。しかし、実際にRLを応用する際にはベルマン誤差（Bellman Error）の最適化という課題が直面しています。この誤差は深層Q学習などの関連アルゴリズムで特に重要で、従来の方法は主に平均二乗ベルマン誤差（Mean-Squared Bellman Error, MSELoss）を標準の損失関数として使用しています。ただし、ベルマン誤差が正規分布に従うという仮定は、RL応用における複雑な特性を過度に単純化している可能性があります。したがって、本論文はRL訓練...

構造強化の原型アライメントによる教師なしドメイン適応ノード分類 序論 現代情報技術の発展に伴い、グラフニューラルネットワーク（Graph Neural Networks、GNNs）は複雑なネットワークのノード分類タスクにおいて顕著な成功を収めています。しかし、その一つの大きな課題は大量の高品質なラベルデータを必要とすることです。これはグラフ構造データに対して取得コストが高く、時間もかかります。したがって、豊富なラベルがあるグラフ（ソースドメイン）から知識を完全にラベルのないグラフ（ターゲットドメイン）に移す方法が重要な問題となっています。 研究背景と目的 著者のチームは浙江大学計算機科学学院、浙江省サービスロボット重点実験室、およびシンガポール国立大学計算機科学学院から来ています。彼らは構造...

语義セグメンテーションは画像内の各ピクセルに対してクラスラベルを予測することを目的としており（Liu et al., 2021; Wang et al., 2021）、シーンの理解、医療画像解析、自動運転、地理情報システム、拡張現実などに広く応用されています（Strudel et al., 2021; Sun et al., 2023）。深層神経ネットワークの発展により、セグメンテーションタスクの性能が大幅に向上しましたが（Chen et al., 2014; Guan et al., 2021; Zhao et al., 2017）、これらの進歩はモデルの訓練に大量のピクセルレベルのアノテーションデータを必要とし、これらのデータの取得は現実の場面では高コストです（Jiang et al.,...