論文の概要: Association-sensory spatiotemporal hierarchy and functional gradient-regularised recurrent neural network with implications for schizophrenia

• arxiv url: http://arxiv.org/abs/2511.02722v1
• Date: Tue, 04 Nov 2025 16:45:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.163348
• Title: Association-sensory spatiotemporal hierarchy and functional gradient-regularised recurrent neural network with implications for schizophrenia
• Title（参考訳）: 統合失調症に影響を及ぼす関連感覚時空間構造と機能的勾配規則化リカレントニューラルネットワーク
• Authors: Subati Abulikemu, Puria Radmard, Michail Mamalakis, John Suckling,
• Abstract要約: 本研究は統合失調症患者のAS階層を対照群と比較した。 統合失調症は機能分化の低下を示すAS階層を圧縮する。 オルンシュタイン-ウレンベック法を用いてニューラルネットワークの時間スケールをモデル化することにより、勾配極における局所的な凝集領域がより長い時間定数で動的に現れることを示した。
• 参考スコア（独自算出の注目度）: 1.7711010795772193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The human neocortex is functionally organised at its highest level along a continuous sensory-to-association (AS) hierarchy. This study characterises the AS hierarchy of patients with schizophrenia in a comparison with controls. Using a large fMRI dataset (N=355), we extracted individual AS gradients via spectral analysis of brain connectivity, quantified hierarchical specialisation by gradient spread, and related this spread with connectivity geometry. We found that schizophrenia compresses the AS hierarchy indicating reduced functional differentiation. By modelling neural timescale with the Ornstein-Uhlenbeck process, we observed that the most specialised, locally cohesive regions at the gradient extremes exhibit dynamics with a longer time constant, an effect that is attenuated in schizophrenia. To study computation, we used the gradients to regularise subject-specific recurrent neural networks (RNNs) trained on working memory tasks. Networks endowed with greater gradient spread learned more efficiently, plateaued at lower task loss, and maintained stronger alignment to the prescribed AS hierarchical geometry. Fixed point linearisation showed that high-range networks settled into more stable neural states during memory delay, evidenced by lower energy and smaller maximal Jacobian eigenvalues. This gradient-regularised RNN framework therefore links large-scale cortical architecture with fixed point stability, providing a mechanistic account of how gradient de-differentiation could destabilise neural computations in schizophrenia, convergently supported by empirical timescale flattening and model-based evidence of less stable fixed points.
• Abstract（参考訳）: ヒト新皮質は、連続感覚結合(AS)階層に沿って、最も高いレベルで機能的に組織化されている。 本研究は統合失調症患者のAS階層を対照群と比較した。 大規模なfMRIデータセット(N=355)を用いて、脳接続のスペクトル分析、勾配拡散による階層的特殊化の定量化、および接続幾何学との関連性から個々のAS勾配を抽出した。 統合失調症は機能分化の低下を示すAS階層を圧縮する。 オルンシュタイン-ウレンベック法を用いて神経の時間スケールをモデル化することにより、勾配の極端における最も専門化された局所的な凝集領域は、より長い時間定数のダイナミックスを示し、統合失調症ではその効果が減衰することを示した。 計算の学習には,作業メモリタスクで訓練された主観的リカレントニューラルネットワーク(RNN)を正規化するために,勾配を用いた。 より高勾配のネットワークは、より効率的に学習し、タスク損失を低く抑え、所定のAS階層幾何との整合性を維持した。 固定点線形化は、高域のネットワークがメモリ遅延の間により安定した神経状態に落ち着き、より低いエネルギーとより小さなジャコビアン固有値によって証明された。 この勾配規則化されたRNNフレームワークは、大規模な皮質構造と固定点安定性を結びつけ、偏微分が統合失調症の神経計算を不安定にする方法の力学的な説明を与え、経験的時間スケールの平坦化と、より安定した固定点のモデルに基づく証拠によって収束的に支持される。

関連論文リスト

• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Fractional-order spike-timing-dependent gradient descent for multi-layer spiking neural networks [18.142378139047977]
  本稿では,数次スパイクタイピング依存勾配勾配(FOSTDGD)学習モデルを提案する。 TheNISTとDVS128 Gestureデータセットでテストし、その精度を異なるネットワーク構造と分数順序で分析する。
  論文  参考訳（メタデータ） (2024-10-20T05:31:34Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
  LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。 実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。 したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
  論文  参考訳（メタデータ） (2023-07-14T08:51:03Z)
• Temporal Dynamic Synchronous Functional Brain Network for Schizophrenia Diagnosis and Lateralization Analysis [8.280225660612862]
  この研究はCOBREとUCLAのデータセットで検証され、平均精度は83.62%と89.71%に達した。 興味深いことに、左半球の低次知覚系と高次ネットワーク領域は、SZの右半球よりも深刻な機能障害であることがわかった。
  論文  参考訳（メタデータ） (2023-03-31T02:54:01Z)

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。