論文の概要: Analytically tractable model of synaptic crowding explains emergent small-world structure and network dynamics

• arxiv url: http://arxiv.org/abs/2603.19320v1
• Date: Mon, 16 Mar 2026 21:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.790825
• Title: Analytically tractable model of synaptic crowding explains emergent small-world structure and network dynamics
• Title（参考訳）: 解析的抽出可能なシナプス群集モデルによる創発的小世界構造とネットワークダイナミクスの解明
• Authors: Makoto Fukushima,
• Abstract要約: シナプス群集を動機とした最小限の配線ルールを導入する。 平均接続性はネットワークサイズと対数的にのみ増大するが、ばらつきは依然として有界である。 このモデルは、局所的な発達制約をマクロ的なネットワーク組織と動的にリンクするテスト可能な予測を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural circuits must balance local connectivity constraints against the need for global integration. Here we introduce a minimal wiring rule motivated by synaptic crowding: as a neuron accumulates incoming connections, each additional synapse becomes progressively harder to form. This single-parameter model admits an exact finite-size solution for the induced in-degree distribution and yields simple scaling laws: mean connectivity grows only logarithmically with network size while variance remains bounded -- consistent with homeostatic regulation of synaptic density. When candidates are encountered in order of spatial proximity, the crowding rule produces a broad, approximately power-law distribution of connection lengths without prescribing any explicit distance-dependent wiring law; combined with shortcut rewiring, this yields networks with small-world characteristics. We further show that the induced degree statistics largely determine attractor basin boundaries in threshold network dynamics, while local clustering primarily modulates the prevalence of long-lived non-absorbing outcomes near these boundaries. The model provides testable predictions linking local developmental constraints to macroscopic network organization and dynamics.
• Abstract（参考訳）: ニューラルネットワークは、グローバルな統合の必要性に対して、ローカル接続の制約をバランスさせなければならない。 ここでは、シナプスの群れによって動機付けられた最小限の配線規則を導入する:ニューロンが入ってくる接続を蓄積するにつれて、それぞれの追加シナプスの形成が徐々に困難になる。 平均接続性はネットワークサイズと対数的にのみ増加し、ばらつきは有界であり、シナプス密度のホメオスタティックな規制と一致している。 空間的近接性の順に候補が遭遇した場合、群集規則は、明示的な距離依存配線法則を規定することなく、接続長の広大でほぼ規則的な分布を生成し、ショートカット再配線と組み合わせることで、小さな世界特性を持つネットワークが得られる。 さらに、誘導度統計は閾値ネットワーク力学におけるアトラクタ境界を大きく決定する一方、局所クラスタリングは、これらの境界付近で長期間持続する非吸収結果の頻度を主に調節することを示した。 このモデルは、局所的な発達制約をマクロ的なネットワーク組織と動的にリンクするテスト可能な予測を提供する。

関連論文リスト

• The Inductive Bias of Convolutional Neural Networks: Locality and Weight Sharing Reshape Implicit Regularization [57.37943479039033]
  本研究では,勾配降下における安定性現象によって引き起こされる暗黙の正則化に,アーキテクチャ的帰納バイアスがどう影響するかを考察する。 局所性と重量共有が根本的に変化していることが示されています。
  論文  参考訳（メタデータ） (2026-03-05T04:50:51Z)
• Dense Neural Networks are not Universal Approximators [53.27010448621372]
  ニューラルネットワークは任意の連続関数の普遍性を持たないことを示す。 ReLUニューラルネットワークは、重みと入出力次元の自然な制約を受ける。
  論文  参考訳（メタデータ） (2026-02-07T16:52:38Z)
• 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)
• Universal Scaling Laws of Absorbing Phase Transitions in Artificial Deep Neural Networks [0.8932296777085644]
  信号伝播ダイナミクスの位相境界付近で動作する従来の人工深層ニューラルネットワークは、カオスのエッジとしても知られ、位相遷移を吸収する普遍的なスケーリング法則を示す。 我々は、伝搬力学の完全な決定論的性質を利用して、ニューラルネットワークの信号崩壊と吸収状態の類似を解明する。
  論文  参考訳（メタデータ） (2023-07-05T13:39:02Z)
• Mean-Field Analysis of Two-Layer Neural Networks: Global Optimality with Linear Convergence Rates [7.094295642076582]
  平均場体制はNTK(lazy training)体制の理論的に魅力的な代替手段である。 平均場状態における連続ノイズ降下により訓練された2層ニューラルネットワークに対する線形収束結果を確立した。
  論文  参考訳（メタデータ） (2022-05-19T21:05:40Z)
• Geodesic Length Distribution in Sparse Network Ensembles [0.0]
  超臨界状態における巨大成分の測地線長の解析的分布を導出する。 ブロックモデルやドット積グラフ,ランダムな幾何グラフ,グラフなど,広く使用されているネットワークモデルに対して,結果を提供する。
  論文  参考訳（メタデータ） (2021-11-03T16:25:39Z)
• Generalization bound of globally optimal non-convex neural network training: Transportation map estimation by infinite dimensional Langevin dynamics [50.83356836818667]
  本稿では,ディープラーニングの最適化を一般化誤差と関連づけて解析する理論フレームワークを提案する。 ニューラルネットワーク最適化分析のための平均場理論やニューラル・タンジェント・カーネル理論のような既存のフレームワークは、そのグローバル収束を示すために、ネットワークの無限幅の限界を取る必要がある。
  論文  参考訳（メタデータ） (2020-07-11T18:19:50Z)

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。