論文の概要: KMS states of Information Flow in Directed Brain Synaptic Networks

• arxiv url: http://arxiv.org/abs/2410.18222v1
• Date: Wed, 23 Oct 2024 18:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:48:44.049595
• Title: KMS states of Information Flow in Directed Brain Synaptic Networks
• Title（参考訳）: 指向性脳シナプスネットワークにおける情報フローのKMS状態
• Authors: El-kaïoum M. Moutuou, Habib Benali,
• Abstract要約: 我々は、脳シナプスネットワークのKMS状態が、神経相互作用のグローバルな統計測度をもたらすことを示した。 具体的には、この系のKMS状態が、神経相互作用のグローバル統計測度をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 0.3453002745786199
• License:
• Abstract: The brain's synaptic network, characterized by parallel connections and feedback loops, drives information flow between neurons through a large system with infinitely many degrees of freedom. This system is best modeled by the graph $C^*$-algebra of the underlying directed graph, the Toeplitz-Cuntz-Krieger algebra, which captures the diversity of potential information pathways. Coupled with the gauge action, this graph algebra defines an {\em algebraic quantum system}, and here we demonstrate that its thermodynamic properties provide a natural framework for describing the dynamic mappings of information flow within the network. Specifically, we show that the KMS states of this system yield global statistical measures of neuronal interactions, with computational illustrations based on the {\em C. elegans} synaptic network.
• Abstract（参考訳）: 脳のシナプスネットワークは、並列接続とフィードバックループによって特徴づけられ、無限に多くの自由度を持つ大きなシステムを通してニューロン間の情報の流れを駆動する。 このシステムは、基礎となる有向グラフのグラフ $C^*$-algebra, Toeplitz-Cuntz-Krieger algebra によってモデル化され、潜在的な情報経路の多様性を捉えている。 ゲージ作用と組み合わせて、このグラフ代数は {\em 代数量子系を定義する。ここでは、その熱力学的性質が、ネットワーク内の情報フローの動的マッピングを記述する自然な枠組みを提供することを示す。 具体的には、この系のKMS状態が、C. elegans {\displaystyle {\em C. elegans {\displaystyle {\em C. elegans {\displaystyle {\em C. elegans {\displaystyle {\em C. elegans {\displaystyle {\em C. elegans {\displaystyle {\em C. elegans {\displaystyle {\em C. elegans } のシナプスネットワークをベースとした計算図形を用いて、大域統計測度を得ることを示した。

関連論文リスト

• Brain functions emerge as thermal equilibrium states of the connectome [0.3453002745786199]
  神経科学における基本的なパラダイムは、認知機能は脳の構造的構造によって形成されることである。 構造コネクトームの関数状態が代数量子系の熱平衡状態として現れる枠組みを提案する。 線虫Em Caenorhabditis elegansのコネクトームにこの枠組みを適用した。
  論文  参考訳（メタデータ） (2024-08-26T12:35:16Z)
• Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
  グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。 そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。 我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
  論文  参考訳（メタデータ） (2024-05-27T13:36:50Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Information Processing by Neuron Populations in the Central Nervous System: Mathematical Structure of Data and Operations [0.0]
  哺乳類の中枢神経系の複雑な構造では、神経細胞が集団を形成する。 これらのニューロン集団の正確なエンコーディングと操作はまだ発見されていない。 この研究は、認知科学やAIといった分野における理解を深める上で、マトリックス埋め込みの可能性を照らしている。
  論文  参考訳（メタデータ） (2023-09-05T15:52:45Z)
• 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)
• Neuro-symbolic computing with spiking neural networks [0.6035125735474387]
  我々は、スパイクベースのグラフアルゴリズムに関するこれまでの研究を、スパイクニューロンを用いてシンボリックおよびマルチリレーショナル情報をエンコードする方法を実証することによって拡張した。 導入されたフレームワークは、グラフ埋め込みパラダイムと、エラーバックプロパゲーションを用いたスパイクニューラルネットワークのトレーニングの最近の進歩を組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2022-08-04T10:49:34Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Spiking Graph Convolutional Networks [19.36064180392385]
  SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。 ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-05T16:44:36Z)
• Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural Networks [69.42260428921436]
  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。
  論文  参考訳（メタデータ） (2022-04-05T17:13:36Z)
• Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention [33.049423523704824]
  本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。 HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-27T23:06:50Z)
• 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)

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。