論文の概要: Rare Events, Real Signals: Functional Ensembles as Units of Computation in Deep Spiking Networks

• arxiv url: http://arxiv.org/abs/2606.00073v1
• Date: Thu, 21 May 2026 15:44:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.538423
• Title: Rare Events, Real Signals: Functional Ensembles as Units of Computation in Deep Spiking Networks
• Title（参考訳）: 希少イベント, 実信号: ディープスパイクネットワークにおける計算単位としての関数アンサンブル
• Authors: Aditi Aravind, Konstantinos Ladakis, Mario Alexios Savaglio, Stelios M. Smirnakis, Maria Papadopouli,
• Abstract要約: 深層スパイクニューラルネットワーク(SNN)解析のための神経科学的な枠組みを導入することにより,階層的処理システム全体に内部表現がどのように現れるかを検討する。 我々は、トレーニングされたSNNアーキテクチャの前層からのニューロンとの統計的に有意なペアワイズ相関に基づいて、ニューロンの1次機能連結(1FC)グループを形成する。 生物学的大脳皮質で以前に観察された機能接続の原理がResNetアーキテクチャのスパイクに保存されていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We investigate how internal representations emerge across hierarchical processing systems by introducing a neuroscience-inspired framework for analyzing deep spiking neural networks (SNN) through the lens of functional connectivity. Drawing on concepts from systems neuroscience and information theory, we form the first-order functionally-connected (1FC) group of a neuron based on its statistically significant pairwise correlations with neurons from the previous layer of a trained SNN architecture. We then track its response properties during inference under various conditions. Our analysis shows that several principles of functional connectivity previously observed in biological cortex are preserved in spiking ResNet architectures. These 1FC ensembles display interesting properties: their aggregate cofiring reliably predicts downstream neuronal responses through a robust, ReLU-like input-output relationship, whose gain scales systematically with ensemble size. Reliable encoding of the presented class emerges only during high 1FC cofiring events, which themselves occur infrequently, indicating that informative representations are concentrated in rare but highly coordinated activity patterns. Under uniform random noise or adversarial perturbations, these response profiles are disrupted, particularly in early and intermediate layers. This enables a targeted high-resolution interrogation at specific nodes and pathways. We showed that the functional connectivity structure is shaped by learning and this structure breaks under weight permutation. These establish 1FC ensembles as a functionally meaningful substrate for input encoding and information transfer, with potential implications in designing targeted fine-grained diagnostics on the information flow.
• Abstract（参考訳）: 機能接続のレンズを通して深層スパイキングニューラルネットワーク(SNN)を解析するための神経科学に触発された枠組みを導入することにより,階層的な処理システム全体に内部表現がどのように現れるかを検討する。 システム神経科学と情報理論の概念に基づいて、訓練されたSNNアーキテクチャの前層のニューロンとの統計的に有意なペアワイズ相関に基づいて、ニューロンの1次機能連結(1FC)グループを形成する。 次に、様々な条件下での推論中に応答特性を追跡する。 生物学的大脳皮質で以前に観察された機能接続の原理がResNetアーキテクチャのスパイクに保存されていることを示す。 これらの1FCアンサンブルは興味深い性質を示しており、アグリゲーションは、アンサンブルサイズと体系的にスケールする堅牢なReLUのような入力出力関係を通じて、下流ニューロンの応答を確実に予測する。 提示されたクラスの信頼性の高いエンコーディングは高い1FCコフィリングイベントの間にのみ発生し、それ自身はまれだが高度に協調した活動パターンに情報表現が集中していることを示す。 均一なランダムノイズや逆方向の摂動の下では、これらの応答プロファイルは、特に初期層と中間層で破壊される。 これにより、特定のノードや経路に対する高精細な尋問を対象とすることが可能になる。 機能的接続構造は学習によって形成され,この構造は重量置換の下で破断することを示した。 これらは入力エンコーディングと情報伝達のための機能的に意味のある基質として1FCアンサンブルを確立し、情報フローの詳細な診断をターゲットとする設計において潜在的に意味を持つ。

関連論文リスト

• Unifying Dynamical Systems and Graph Theory to Mechanistically Understand Computation in Neural Networks [1.644043499620662]
  ネットワークをグラフとしてモデル化することで、繰り返しニューラルネットワークの空間的・時間的関数を復元できることを示す。 本稿では, マルチホップ経路を制約し, 標準L1正規化によって達成される時間的間隔を誘導するリゾルペント-RNN(R-RNN)を導入する。
  論文  参考訳（メタデータ） (2026-05-05T10:18:53Z)
• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• Time Series Analysis of Spiking Neural Systems via Transfer Entropy and Directed Persistent Homology [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-26T14:01:53Z)
• NeurFlow: Interpreting Neural Networks through Neuron Groups and Functional Interactions [16.00223741620103]
  本稿では、個々のニューロンの分析からニューロン群の調査へと焦点を移す新しい枠組みを提案する。 自動フレームワークNeurFlowは、まずコアニューロンを特定し、共有機能関係に基づいてグループにクラスタ化する。
  論文  参考訳（メタデータ） (2025-02-22T06:01:03Z)
• The Cooperative Network Architecture: Learning Structured Networks as Representation of Sensory Patterns [3.9848584845601014]
  協調ネットワークアーキテクチャ(Cooperative Network Architecture, CNA)は,ニューロンの構造的, 繰り返し接続されたネットワークを用いて, 知覚信号を表すモデルである。 我々は、ネットフラグメントを監督なしに学習し、フレキシブルに組み換えることで、新しいパターンをエンコードし、フィギュア補完とノイズに対するレジリエンスを可能にすることを実証した。
  論文  参考訳（メタデータ） (2024-07-08T06:22:10Z)
• 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)
• 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)
• 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)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• 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。