論文の概要: Rich dynamics caused by known biological brain network features
resulting in stateful networks
- arxiv url: http://arxiv.org/abs/2106.01683v1
- Date: Thu, 3 Jun 2021 08:32:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 22:37:12.438901
- Title: Rich dynamics caused by known biological brain network features
resulting in stateful networks
- Title（参考訳）: 既知の生物学的脳ネットワークの特徴によって引き起こされるリッチダイナミックス
- Authors: Udaya B. Rongala and Henrik J\"orntell
- Abstract要約: ニューロン/ネットワークの内部状態は、情報がどのようにネットワーク内で表現されるかを定義する要素となる。
本研究では,ネットワーク状態のダイナミクスを豊かにするニューロンの固有の内在的パラメータが与える影響について検討した。
このような効果は密結合ネットワークよりも疎結合ネットワークにおいて深いことが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The mammalian brain could contain dense and sparse network connectivity
structures, including both excitatory and inhibitory neurons, but is without
any clearly defined output layer. The neurons have time constants, which mean
that the integrated network structure has state memory. The network structure
contains complex mutual interactions between the neurons under different
conditions, which depend on the internal state of the network. The internal
state can be defined as the distribution of activity across all individual
neurons across the network. Therefore, the state of a neuron/network becomes a
defining factor for how information is represented within the network. Towards
this study, we constructed a fully connected (with dense/sparse coding
strategies) recurrent network comprising of both excitatory and inhibitory
neurons, driven by pseudo-random inputs of varying frequencies. In this study
we assessed the impact of varying specific intrinsic parameters of the neurons
that enriched network state dynamics, such as initial neuron activity, amount
of inhibition in combination with thresholded neurons and conduction delays.
The impact was assessed by quantifying the changes in mutual interactions
between the neurons within the network for each given input. We found such
effects were more profound in sparsely connected networks than in densely
connected networks. However, also densely connected networks could make use of
such dynamic changes in the mutual interactions between neurons, as a given
input could induce multiple different network states.
- Abstract（参考訳）: 哺乳類の脳は、興奮性ニューロンと抑制性ニューロンの両方を含む、密度が高く疎いネットワーク接続構造を含むことができるが、明確な出力層は存在しない。
ニューロンは時間定数を持ち、ネットワーク構造が状態記憶を持つことを意味する。
ネットワーク構造は、ネットワークの内部状態に依存する異なる条件下でのニューロン間の複雑な相互相互作用を含む。
内部状態は、ネットワーク全体の各ニューロンにまたがる活動の分布として定義することができる。
したがって、ニューロン/ネットワークの状態は、情報がどのようにネットワーク内で表現されるかを定義する要因となる。
本研究では,様々な周波数の疑似ランダム入力によって駆動される興奮性ニューロンと抑制性ニューロンの双方からなる,完全連結(高密度かつ疎結合な符号化戦略)リカレントネットワークを構築した。
本研究では,初期ニューロン活動,閾値ニューロンと組み合わせての抑制量,伝導遅延など,ネットワーク状態のダイナミクスを増強するニューロンの具体的パラメータの違いの影響について検討した。
この影響は、入力毎にネットワーク内のニューロン間の相互相互作用の変化を定量化することで評価された。
このような影響は,密結合ネットワークよりも疎結合ネットワークにおいて顕著であった。
しかし、高密度に接続されたネットワークは、与えられた入力が複数の異なるネットワーク状態を引き起こす可能性があるため、ニューロン間の相互相互作用の動的な変化を利用することができる。
関連論文リスト
- Expressivity of Spiking Neural Networks [15.181458163440634]
本研究では,ニューロンの発射時間内に情報を符号化したスパイクニューラルネットワークの能力について検討する。
ReLUネットワークとは対照的に、スパイクニューラルネットワークは連続関数と不連続関数の両方を実現することができる。
論文 参考訳（メタデータ） (2023-08-16T08:45:53Z) - Approximating nonlinear functions with latent boundaries in low-rank
excitatory-inhibitory spiking networks [5.955727366271805]
スパイクに基づく興奮抑制スパイクネットワークのための新しいフレームワークを考案した。
本研究は,生体スパイクに基づく計算の力学的理解の出発点となるスパイクネットワークの新しい視点を提案する。
論文 参考訳（メタデータ） (2023-07-18T15:17:00Z) - Connected Hidden Neurons (CHNNet): An Artificial Neural Network for
Rapid Convergence [0.6218519716921521]
我々は,同じ隠蔽層に隠されたニューロンが相互に相互に結合し,急速に収束する,より堅牢な人工知能ニューラルネットワークモデルを提案する。
深層ネットワークにおける提案モデルの実験研究により,従来のフィードフォワードニューラルネットワークと比較して,モデルが顕著に収束率を上昇させることを示した。
論文 参考訳（メタデータ） (2023-05-17T14:00:38Z) - Equivalence of Additive and Multiplicative Coupling in Spiking Neural
Networks [0.0]
スパイキングニューラルネットワークモデルは、生物学的ニューロンの回路の創発的集団力学を特徴付ける。
加法結合を持つスパイクニューラルネットワークモデルは乗法結合を持つモデルと等価であることを示す。
論文 参考訳（メタデータ） (2023-03-31T20:19:11Z) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳（メタデータ） (2022-12-08T15:16:04Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-06T13:04:45Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - The distribution of inhibitory neurons in the C. elegans connectome
facilitates self-optimization of coordinated neural activity [78.15296214629433]
線虫Caenorhabditis elegansの神経系は、昆虫のサイズが小さいにもかかわらず著しく複雑である。
一般的な課題は、システムレベルでの神経組織と神経活動の関係をよりよく理解することである。
我々は,各ニューロンの神経伝達物質同定を近似した,C. elegans Connectomeの抽象シミュレーションモデルを実装した。
論文 参考訳（メタデータ） (2020-10-28T23:11:37Z) - Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。
リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。
トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文 参考訳（メタデータ） (2020-07-13T17:59:31Z) - Neural Rule Ensembles: Encoding Sparse Feature Interactions into Neural
Networks [3.7277730514654555]
決定木を用いて、関連する特徴とその相互作用をキャプチャし、抽出した関係をニューラルネットワークにエンコードするマッピングを定義する。
同時に、機能選択により、アートツリーベースのアプローチの状況と比較して、コンパクトな表現の学習が可能になる。
論文 参考訳（メタデータ） (2020-02-11T11:22:20Z)
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。