論文の概要: Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural
Networks
- arxiv url: http://arxiv.org/abs/2204.07163v1
- Date: Tue, 5 Apr 2022 17:13:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-18 05:19:21.315817
- Title: Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural
Networks
- Title(参考訳): 交叉周波数結合は発振系ニューラルネットワークのメモリ容量を増加させる
- Authors: Connor Bybee, Alexander Belsten, Friedrich T. Sommer
- Abstract要約: クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。
我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。
CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
- 参考スコア(独自算出の注目度): 69.42260428921436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An open problem in neuroscience is to explain the functional role of
oscillations in neural networks, contributing, for example, to perception,
attention, and memory. Cross-frequency coupling (CFC) is associated with
information integration across populations of neurons. Impaired CFC is linked
to neurological disease. It is unclear what role CFC has in information
processing and brain functional connectivity. We construct a model of CFC which
predicts a computational role for observed $\theta - \gamma$ oscillatory
circuits in the hippocampus and cortex. Our model predicts that the complex
dynamics in recurrent and feedforward networks of coupled oscillators performs
robust information storage and pattern retrieval. Based on phasor associative
memories (PAM), we present a novel oscillator neural network (ONN) model that
includes subharmonic injection locking (SHIL) and which reproduces experimental
observations of CFC. We show that the presence of CFC increases the memory
capacity of a population of neurons connected by plastic synapses. CFC enables
error-free pattern retrieval whereas pattern retrieval fails without CFC. In
addition, the trade-offs between sparse connectivity, capacity, and information
per connection are identified. The associative memory is based on a
complex-valued neural network, or phasor neural network (PNN). We show that for
values of $Q$ which are the same as the ratio of $\gamma$ to $\theta$
oscillations observed in the hippocampus and the cortex, the associative memory
achieves greater capacity and information storage than previous models. The
novel contributions of this work are providing a computational framework based
on oscillator dynamics which predicts the functional role of neural
oscillations and connecting concepts in neural network theory and dynamical
system theory.
- Abstract(参考訳): 神経科学におけるオープンな問題は、ニューラルネットワークにおける発振の機能的役割を説明することであり、例えば知覚、注意、記憶に寄与する。
交叉周波数結合(cfc)は神経細胞の集団間の情報統合と関連している。
障害性CFCは神経疾患と関連している。
CFCが情報処理や脳機能接続にどのような役割を果たすのかは不明である。
我々は,海馬および大脳皮質における観測された$\theta - \gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。
本モデルでは,結合発振器のリカレントネットワークとフィードフォワードネットワークの複雑なダイナミクスがロバストな情報記憶とパターン検索を行うと予測する。
ファサー連想記憶(pam)に基づいて,サブハーモニック・インジェクション・ロック(shil)を含む新しい発振器ニューラルネットワーク(onn)モデルを提案し,cfcの実験的な観察を再現する。
CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
CFCは誤りのないパターン検索を可能にするが、CFCなしでパターン検索は失敗する。
さらに、スパース接続、キャパシティ、および接続毎の情報間のトレードオフを識別する。
連想メモリは、複素値ニューラルネットワーク(phasor neural network, pnn)に基づいている。
海馬と大脳皮質で観測される$\gamma$ と$\theta$ の比率と同じ値である$q$の値に対して、連想記憶は以前のモデルよりも高い容量と情報記憶能力を達成する。
この研究の新たな貢献は、ニューラルネットワーク理論と力学系理論における神経振動の機能的役割と結合概念を予測する振動子ダイナミクスに基づく計算フレームワークを提供することである。
関連論文リスト
- Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳(メタデータ) (2023-10-05T21:44:18Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Self-Evolutionary Reservoir Computer Based on Kuramoto Model [1.7072337666116733]
生物学的にインスパイアされたニューラルネットワークとして、貯水池コンピューティング(RC)は情報処理においてユニークなアドバンテージを持っている。
本研究では,人的知識を必要とせず,手元にある特定の問題に適応できる構造的自律開発貯水池計算モデルを提案する。
論文 参考訳(メタデータ) (2023-01-25T15:53:39Z) - The Predictive Forward-Forward Algorithm [79.07468367923619]
本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。
我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。
PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
論文 参考訳(メタデータ) (2023-01-04T05:34:48Z) - 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) - Memory via Temporal Delays in weightless Spiking Neural Network [0.08399688944263842]
簡単な分類作業を行うことができる無重量スパイクニューラルネットワークのプロトタイプを提案する。
このネットワークのメモリは、接続の強さではなく、ニューロン間のタイミングに格納される。
論文 参考訳(メタデータ) (2022-02-15T02:09:33Z) - 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) - Optimal Approximation with Sparse Neural Networks and Applications [0.0]
深い疎結合ニューラルネットワークを用いて、関数クラスの複雑性を$L(mathbb Rd)$で測定する。
また、ニューラルネットワークを誘導する関数の可算コレクションである表現システムについても紹介する。
次に、レート歪曲理論とウェッジレット構成を用いて、$beta$マンガ的関数と呼ばれるクラスの複雑性を分析する。
論文 参考訳(メタデータ) (2021-08-14T05:14:13Z) - A Graph Neural Network Framework for Causal Inference in Brain Networks [0.3392372796177108]
神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。
構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
論文 参考訳(メタデータ) (2020-10-14T15:01:21Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳(メタデータ) (2020-03-24T01:56:50Z)
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。