論文の概要: Evidence of Scaling Regimes in the Hopfield Dynamics of Whole Brain
Model
- arxiv url: http://arxiv.org/abs/2401.07538v1
- Date: Mon, 15 Jan 2024 08:58:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 17:47:25.837582
- Title: Evidence of Scaling Regimes in the Hopfield Dynamics of Whole Brain
Model
- Title(参考訳): 全脳モデルのホップフィールドダイナミクスにおけるスケーリングレジームの証拠
- Authors: Giorgio Gosti, Sauro Succi and Giancarlo Ruocco
- Abstract要約: ヒト脳内の情報伝達の過程は、乱流によって示されるものと同様、空間的に相関したパターンを示す。
本研究は, ホップフィールドモデル脳が約5つの崩壊長以上のリンクを除去し, 機能的のままであることを示す。
これはホップフィールド脳がある種の中間「乱流液体」のような状態で機能することを示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is shown that a Hopfield recurrent neural network, informed by
experimentally derived brain topology, recovers the scaling picture recently
introduced by Deco et al., according to which the process of information
transfer within the human brain shows spatially correlated patterns
qualitatively similar to those displayed by turbulent flows. Although both
models employ a coupling strength which decays exponentially with the euclidean
distance between the nodes, their mathematical nature is widely different, Hopf
oscillators versus Hopfield neural network. Hence, their convergence suggests a
remarkable robustness of the aforementioned scaling picture. Furthermore, the
present analysis shows that the Hopfield model brain remains functional by
removing links above about five decay lengths, corresponding to about one sixth
of the size of the global brain. This suggests that, in terms of connectivity
decay length, the Hopfield brain functions in a sort of intermediate "turbulent
liquid"-like state, whose essential connections are the intermediate ones
between the connectivity decay length and the global brain size. This
"turbulent-like liquid" appears to be more spiky than actual turbulent fluids,
with a scaling exponent around $2/5$ instead of $2/3$.
- Abstract(参考訳): 実験的に導出された脳トポロジによって伝達されるホップフィールドリカレントニューラルネットワークは,ヒト脳内の情報伝達過程が,乱流で示されるものと定性的に類似した空間的相関パターンを示すデコらによって最近導入されたスケーリング図を復元する。
どちらのモデルも、ノード間のユークリッド距離と指数関数的に崩壊する結合強度を用いるが、その数学的性質はホップ振動子とホップフィールドニューラルネットワークとは大きく異なる。
したがって、それらの収束は前述のスケーリング図の顕著な堅牢性を示している。
さらに本研究では, ホップフィールドモデル脳は, 全脳の約6分の1に相当する約5つの崩壊長のリンクを除去することによって, 機能的のままであることを示した。
これは、接続減衰長の観点からすると、ホップフィールド脳は、接続減衰長と大脳サイズの間の中間的な結合であるある種の中間の「乱流液体」のような状態において機能することを示唆している。
この「乱流のような液体」は、実際の乱流よりも激しく、スケーリング指数は2ドル/3ドルではなく2ドル/5ドル程度だ。
関連論文リスト
- Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - Multi-State Brain Network Discovery [37.63826758134553]
脳ネットワークは、人間の脳のfMRIスキャンからノードと平均信号を見つけることを目的としている。
通常、人間の脳は複数の活動状態を持ち、脳の活動は共同で決定される。
論文 参考訳(メタデータ) (2023-11-04T17:54:15Z) - Extracting the Multiscale Causal Backbone of Brain Dynamics [9.905883167156393]
脳力学のマルチスケール因果バックボーン(MCB)を提案する。
我々のアプローチは、近年のマルチスケール因果構造学習の進歩を活用している。
マルチスケールの性質のおかげで、因果ダイナミクスは高レベルの認知機能に関連する脳の領域によって駆動される。
論文 参考訳(メタデータ) (2023-10-31T19:47:11Z) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳(メタデータ) (2023-05-06T22:14:13Z) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳(メタデータ) (2023-01-26T20:45:30Z) - Prune and distill: similar reformatting of image information along rat
visual cortex and deep neural networks [61.60177890353585]
深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。
ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。
我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
論文 参考訳(メタデータ) (2022-05-27T08:06:40Z) - Brain Cortical Functional Gradients Predict Cortical Folding Patterns
via Attention Mesh Convolution [51.333918985340425]
我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。
実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-05-21T14:08:53Z) - 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) - Deep Learning the Shape of the Brain Connectome [6.165163123577484]
私たちは、ディープニューラルネットワークを使って脳の測地線を推定する方法を初めて示します。
提案手法は, 測地・白色・マター・パスのアライメントにおいて優れた性能を発揮する。
論文 参考訳(メタデータ) (2022-03-06T17:51:31Z) - Can the brain use waves to solve planning problems? [62.997667081978825]
このような課題を解くニューラルネットワークモデルを提案する。
このモデルは、哺乳類の新皮質と海馬に関する幅広い実験的な発見と互換性がある。
論文 参考訳(メタデータ) (2021-10-11T11:07:05Z) - Convolutional Neural Networks for cytoarchitectonic brain mapping at
large scale [0.33727511459109777]
今回我々は,ヒト後脳の多数の細胞体染色組織における細胞構造学的領域をマッピングするための新しいワークフローを提案する。
これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。
新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
論文 参考訳(メタデータ) (2020-11-25T16:25:13Z)
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。