論文の概要: Time Series Analysis of Spiking Neural Systems via Transfer Entropy and Directed Persistent Homology
- arxiv url: http://arxiv.org/abs/2508.19048v1
- Date: Tue, 26 Aug 2025 14:01:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-27 17:42:38.872451
- Title: Time Series Analysis of Spiking Neural Systems via Transfer Entropy and Directed Persistent Homology
- Title（参考訳）: 伝達エントロピーと誘導永続ホモロジーによるスパイキングニューラルシステムの時系列解析
- Authors: Dylan Peek, Siddharth Pritam, Matthew P. Skerritt, Stephan Chalup,
- Abstract要約: 本稿では、トランスファーエントロピー(TE)と永続ホモロジー(PH)を統合したニューラルネットワーク時系列分析フレームワークを提案する。
TEはニューロン間の方向の影響を定量化し、動的相互作用を反映した重み付き有向グラフを生成する。
この枠組みを,論理ゲートタスクを訓練した合成スパイクネットワーク,構造化および摂動入力に曝露した画像分類ネットワーク,行動事象を付加したマウス皮質記録に適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a topological framework for analysing neural time series that integrates Transfer Entropy (TE) with directed Persistent Homology (PH) to characterize information flow in spiking neural systems. TE quantifies directional influence between neurons, producing weighted, directed graphs that reflect dynamic interactions. These graphs are then analyzed using PH, enabling assessment of topological complexity across multiple structural scales and dimensions. We apply this TE+PH pipeline to synthetic spiking networks trained on logic gate tasks, image-classification networks exposed to structured and perturbed inputs, and mouse cortical recordings annotated with behavioral events. Across all settings, the resulting topological signatures reveal distinctions in task complexity, stimulus structure, and behavioral regime. Higher-dimensional features become more prominent in complex or noisy conditions, reflecting interaction patterns that extend beyond pairwise connectivity. Our findings offer a principled approach to mapping directed information flow onto global organizational patterns in both artificial and biological neural systems. The framework is generalizable and interpretable, making it well suited for neural systems with time-resolved and binary spiking data.
- Abstract（参考訳）: 本稿では、トランスファーエントロピー(TE)と誘導パーシステントホモロジー(PH)を統合し、スパイク神経系の情報の流れを特徴づけるトポロジ的時系列分析フレームワークを提案する。
TEはニューロン間の方向の影響を定量化し、動的相互作用を反映した重み付き有向グラフを生成する。
これらのグラフはPHを用いて解析され、複数の構造スケールと次元にわたる位相的複雑性の評価を可能にする。
このTE+PHパイプラインを、論理ゲートタスクで訓練された合成スパイキングネットワーク、構造化および摂動入力に曝露された画像分類ネットワーク、行動事象を付加したマウス皮質記録に適用する。
すべての設定において、結果として生じるトポロジカルなシグネチャは、タスクの複雑さ、刺激構造、行動体制の区別を明らかにする。
高次元の特徴は、対の接続を超えて広がる相互作用パターンを反映して、複雑またはノイズの多い状況においてより顕著になる。
我々の発見は、人工神経系と生体神経系の両方において、指向する情報の流れをグローバルな組織パターンにマッピングする原則的なアプローチを提供する。
このフレームワークは一般化可能で解釈可能であり、時間分解された二分スパイクデータを持つニューラルネットワークに適している。
関連論文リスト
- Neural Symbolic Regression of Complex Network Dynamics [28.356824329954495]
そこで本研究では,物理インスパイアされたニューラルダイナミクス回帰(PI-NDSR)を用いて,力学の記号表現を自動的に学習する手法を提案する。
本手法は, 種々のダイナミックスから生成された合成データセットと, 病気の拡散に関する実際のデータセットについて検討する。
論文 参考訳（メタデータ） (2024-10-15T02:02:30Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。
永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文 参考訳（メタデータ） (2022-12-28T18:03:41Z) - Impact of spiking neurons leakages and network recurrences on
event-based spatio-temporal pattern recognition [0.0]
ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。
スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
論文 参考訳（メタデータ） (2022-11-14T21:34:02Z) - Deep Architecture Connectivity Matters for Its Convergence: A
Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。
接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文 参考訳（メタデータ） (2022-05-11T17:43:54Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Activation Landscapes as a Topological Summary of Neural Network
Performance [0.0]
我々は、ディープニューラルネットワーク(DNN)の連続層を通過するデータがどのように変換されるかを研究する。
ネットワークの各層におけるアクティベーションデータの永続的ホモロジーを計算し、その情報を永続的景観を用いて要約する。
得られた特徴マップは、ネットワークの視覚的情報化と、統計分析と機械学習のためのカーネルの両方を提供する。
論文 参考訳（メタデータ） (2021-10-19T17:45:36Z) - Towards quantifying information flows: relative entropy in deep neural
networks and the renormalization group [0.0]
相対エントロピーやクルバック・リーバーの分岐を明示的に計算することで,情報の流れを定量化する。
ニューラルネットワークの場合、その振る舞いは機械学習における様々な情報手法に影響を及ぼす可能性がある。
論文 参考訳（メタデータ） (2021-07-14T18:00:01Z) - Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。
これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。
以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2021-02-22T17:33:51Z) - 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)
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。