BioNIC:一种基于生物启发原理的神经网络,用于图像分类,并运用了连接组学(connectomics)的相关知识

《Neurocomputing》:BioNIC: Biologically inspired neural network for image classification using connectomics principles

【字体: 大 中 小 】 时间:2026年05月19日 来源:Neurocomputing 6.5

编辑推荐:

  迪亚·普拉萨恩特(Diya Prasanth)|马修·蒂夫南(Matthew Tivnan)Accel Middle College,地址:3095 Yerba Buena Road,圣何塞,加利福尼亚州 95135,美国摘要我们提出了BioNIC,这是一种用于情感分类的多层神经

  
迪亚·普拉萨恩特(Diya Prasanth)|马修·蒂夫南(Matthew Tivnan)
Accel Middle College,地址:3095 Yerba Buena Road,圣何塞,加利福尼亚州 95135,美国

摘要

我们提出了BioNIC,这是一种用于情感分类的多层神经网络,其架构直接受到来自单个小鼠V1皮层柱的突触连接图的限制,并结合了生物学驱动的学习规则。我们的核心思想是通过稳态调节来强化皮层连接性、分层组织、分级抑制和赫布式可塑性。我们研究了这种模型在情感分类任务中是否可以与不受限制的卷积神经网络(CNN)相媲美。BioNIC将这些机制与模仿视网膜拓扑映射、皮层注意力和突触噪声的卷积前端处理相结合。我们通过在FER-2013面部情感识别任务上进行消融实验来研究每个组成部分。尽管施加了严格的架构限制和有限的连接性,BioNIC仍实现了59.77%的准确率,这一结果与传统的CNN基线相当。这项工作突显了下一代拍字节级连接组学数据在推进神经科学建模和人工智能方面的潜力。

引言

生物网络凭借其精确的结构组织和皮层机制,在数百万年的进化过程中有效地解决了复杂的感知任务。受这些系统启发的人工神经网络在很大程度上偏离了生物学现实,仅保留了高层次的抽象,而没有忠实实现皮层电路中的结构约束。这引发了这样一个问题:是否可以将生物皮层电路中的特定结构约束有意义地纳入人工神经网络中。
面部情感识别是研究这一问题的一个具有挑战性的任务。像FER-2013这样广泛使用的数据集具有接近人类水平的准确率[1],[2],这反映了该基准测试的复杂性。为这类任务训练的生物学上忠实的模型架构的实现仍然很大程度上未被探索,部分原因是缺乏大规模、高分辨率的连接组学数据。虽然之前的研究使用了高层次的生物学模式或较小规模的连接组学数据,但没有任何模型在一对一的水平上约束了哺乳动物皮层电路的拓扑结构。
电子显微镜和人工智能的最新进展使得能够构建大规模的拍字节级连接组学数据集,这些数据集可用于重建生物神经电路[3]。来自FlyWire [4]、[5]、FANC [6]、HCP [7]和MICrONS [8] [9]等项目的新数据集为设计直接受生物神经电路约束的人工神经网络提供了机会[10]。利用MICrONS数据集,我们创建了BioNIC,这是一种结合了来自小鼠V1的连接性和生物学驱动机制的神经网络。我们编码了在视觉皮层中观察到的特征,如皮层分层、层间和层内连接以及分级抑制机制。
在本文中,我们做出了以下贡献:(1)我们提出了BioNIC,这是第一个使用来自哺乳动物皮层电路的一对一突触连接来约束模型拓扑的神经网络;(2)我们进行了系统的消融研究,以确定对模型性能和功能最重要的机制和生物特征;(3)我们证明了尽管有严格的架构限制,BioNIC仍能达到与传统CNN基线相当的性能。

章节片段

FER-2013

已经提出了几种用于FER-2013情感分类任务的模型。ICML 2013年的获胜解决方案[11]实现了一个CNN [12]特征提取器与线性SVM分类器相结合,而不是常用的softmax,获得了71.2%的公开验证分数。后续的研究表明,具有inception风格层的更深层CNN [13]和集成方法可以进一步提高准确率[14]、[15]。通过参数调整和VGGNet的高级优化策略,实现了单一模型的...

方法

我们在2013年第30届国际机器学习会议(ICML)上由Pierre Luc Carrier和Aaron Courville创建的FER-2013面部情感数据集上进行了所有实验。BioNIC利用了MICrONs项目提供的公开可用的连接组学数据来模拟受生物连接组学启发的网络拓扑。

结果

我们在FER-2013数据集上评估了我们的全生物启发神经网络模型及其多个消融变体。所有模型都在相同的条件下进行训练,并与标准CNN基线进行了比较。使用最后一次运行的混淆矩阵和ROC曲线进行类别分析。主要发现总结如下。

讨论

该架构在识别代表性不足的类别和管理类别间的视觉相似性方面表现出优势。BioNIC将“厌恶”类别的召回率提高了14个百分点(从0.26提高到0.40),将“恐惧”类别的召回率提高了5个百分点(从0.33提高到0.38)。对于这些视觉上相似的类别,精确度有所下降,尤其是在“厌恶”类别上,表明预测这些类别的意愿更强。

结论

我们研究了将来自小鼠视觉皮层的生物学启发连接性纳入前馈神经网络进行情感检测任务的潜力。我们评估了层间连接、层内连接、分级抑制、卷积层和正则化。尽管完整模型的性能没有超过标准模型,但它为进一步探索AI模型中的生物学启发结构约束提供了一个有前景的框架。

关于写作过程中生成式AI和AI辅助技术的声明

作者使用了Perplexity AI和Google Colab中的Gemini编码助手来进行代码优化和语言编辑。所有输出都由作者进行了审查和修订,作者对最终代码和文本负全责。

CRediT作者贡献声明

迪亚·普拉萨恩特(Diya Prasanth):负责写作——审阅与编辑、撰写初稿、可视化、验证、软件开发、方法论研究、数据分析、概念化。马修·蒂夫南(Matthew Tivnan):负责监督工作。

利益冲突声明

作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。
迪亚·普拉萨恩特(Diya Prasanth)是加利福尼亚州圣何塞Accel Middle College的学生。她的研究兴趣包括生物学启发神经网络、受连接组学约束的架构以及计算机视觉,特别关注面部情感识别。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号