論文の概要: Regime Mapping of Oscillatory States in Balanced Spiking Networks with Multiple Time Scales

• arxiv url: http://arxiv.org/abs/2604.04770v1
• Date: Mon, 06 Apr 2026 15:43:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.254456
• Title: Regime Mapping of Oscillatory States in Balanced Spiking Networks with Multiple Time Scales
• Title（参考訳）: 複数の時間スケールを持つ平衡スパイキングネットワークにおける振動状態のレジームマッピング
• Authors: Tsung-Han Kuo, Tzu-Chia Tung,
• Abstract要約: 本研究では, シナプス後崩壊 (s) , 伝導遅延 (d) および可塑性率 (p) が, 漏れやすい統合・火災ネットワークにおいて共同的に振動状態を形成するかを示す。 その結果, 操作点選択, 同期変調研究, 将来的な生物基盤スパイキングネットワークモデリングに有用である。
• 参考スコア（独自算出の注目度）: 0.458354142255472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Balanced spiking networks can transition between silent, asynchronous-irregular, and oscillatory states depending on interacting synaptic and temporal time scales, while their joint parameter structure remains incompletely characterized. In this work, we systematically map how postsynaptic decay (τs), conduction delay (d), and plasticity rate (λp) jointly shape oscillatory regimes in recurrent leaky integrate-and-fire networks. By combining Brian2 simulations across the (τs, d, λp) space with a coarse Hopf-reference boundary, we construct regime maps that directly visualize SIL-AI-OSC transitions and corresponding spectral prominence landscapes. The mapped results show that increasing λp expands oscillatory regions toward shorter τs and moderate-to-long delays, while prominence maps identify parameter regions with the strongest rhythmic coherence. Representative control experiments further connect this global landscape to local rhythm-forming mechanisms, showing that STDP freezing weakens rhythmic coherence whereas delay jitter enhances it with minimal change in mean firing rate. As a result, these findings provide a useful reference for operating-point selection, synchrony modulation studies, and future biologically grounded spiking-network modeling within similar balanced-network settings.
• Abstract（参考訳）: バランスの取れたスパイクネットワークは、相互作用するシナプスと時間スケールに応じて、無声、非同期不規則、および発振状態の間で遷移することができるが、その結合パラメータ構造は不完全である。 本研究では, 繰り返し漏れする集積・火災ネットワークにおいて, 後シナプス崩壊 (τs), 伝導遅延 (d), 可塑性速度 (λp) が共形振動系を形成する様子を系統的に地図化した。 粗いホップ参照境界と(τs, d, λp)空間上のBrian2シミュレーションを組み合わせることで、SIL-AI-OSC遷移とそれに対応するスペクトルプロミネンスランドスを直接可視化する構造写像を構築する。 その結果, λp の増加は τs と中長期の遅れに対して振動領域を拡大し, プロミネンスマップは最も強いリズムコヒーレンスを持つパラメータ領域を同定した。 代表的な制御実験では,STDP凍結がリズムコヒーレンスを弱めるのに対して,遅延ジッタは平均発火速度を最小限に向上させることを示した。 その結果, 操作点選択, 同期変調研究, および, 同様の平衡ネットワーク環境下での生物学的基盤スパイキングネットワークモデリングに有用であることがわかった。

関連論文リスト

• BTS-rPPG: Orthogonal Butterfly Temporal Shifting for Remote Photoplethysmography [2.5608506499175103]
  リモート光胸腺撮影(r)は、血液循環によって引き起こされる微妙な外観変化を解析することにより、顔画像から接触のない生理学的センシングを可能にする。 本稿では,Ortho Butterflyの時間シフトに基づく時間モデリングフレームワークであるBTS-rを提案する。 我々はBTS-rが生理力学の長期時間モデリングを改善し、r推定のための既存の時間モデル戦略を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-04-02T06:31:09Z)
• Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
  既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。 拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。 LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
  論文  参考訳（メタデータ） (2025-11-11T08:40:28Z)
• DRAN: A Distribution and Relation Adaptive Network for Spatio-temporal Forecasting [19.064628208136273]
  本稿では,動的に適応し,時間とともに変化に適応できる分布関係適応ネットワーク(DRAN)を提案する。 正規化非正規化プロセスを可能にする空間因子学習モジュール(SFL)を開発した。 本手法は,気象予報や交通流予測タスクにおける最先端手法より優れている。
  論文  参考訳（メタデータ） (2025-04-02T09:18:43Z)
• Information scrambling and entanglement dynamics in Floquet Time Crystals [49.1574468325115]
  本研究では, 乱れたシステムにおける情報伝達の指標として, 時間外相関器(OTOC)のダイナミクスとエントロピーの絡み合いについて検討する。
  論文  参考訳（メタデータ） (2024-11-20T17:18:42Z)
• A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery [9.369246678101048]
  本稿では、時間的信号回復のためのコンパクト・フォールド・コングラフ・ネットワーク(CDCN)を提案する。 実世界のデータセットの実験では、CDCNは時間的信号回復の最先端モデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-06T06:42:53Z)
• Learning Delays Through Gradients and Structure: Emergence of Spatiotemporal Patterns in Spiking Neural Networks [0.06752396542927405]
  学習可能なシナプス遅延を2つのアプローチで組み込んだスパイキングニューラルネットワーク(SNN)モデルを提案する。 後者のアプローチでは、ネットワークは接続を選択してプーンし、スパース接続設定の遅延を最適化する。 本研究では,時間的データ処理のための効率的なSNNモデルを構築するために,遅延学習と動的プルーニングを組み合わせる可能性を示す。
  論文  参考訳（メタデータ） (2024-07-07T11:55:48Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Feedback-induced instabilities and dynamics in the Jaynes-Cummings model [62.997667081978825]
  時間遅延コヒーレントフィードバックを受けるJaynes-Cummingsモデルのコヒーレンスと定常状態特性について検討する。 導入されたフィードバックは、システムの動的応答と定常量子特性を質的に修正する。
  論文  参考訳（メタデータ） (2020-06-20T10:07:01Z)

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。