跳到正文
原文
arXiv · Neural and Evolutionary Computing· Riccardo Bertamini, Corrado Calamita, Ramiro Pascual 等 5 人
· 1 天前AI 评分53

新生儿的布线特殊吗?在连接组储备池中分离布线与权重放置

Is Newborn Wiring Special? Separating Wiring from Weight Placement in Connectome Reservoirs

预印本 · 尚未经过同行评审

AI 导读

储备池计算中循环网络固定、只训练线性读出,人类连接组此前优于随机重连版本,但重连同时改变了连接与权重。作者提出图论分解,把布线项在零模型权重规则上平均以分离两种效应。在成人人类连接组计划图谱中权重放置解释了大部分效应,布线效应小但一致;在完整 dHCP 数据中,各出生胎龄都出现较大布线效应,而胎龄几乎不解释其方差,且规模、边数、权重和强度匹配的 Watts-Strogatz 图表现不逊于连接组。

摘要 · AI 翻译

储层计算提供了一种在训练之前研究大脑连接布线的方法。循环网络保持固定,只有线性读出被训练。研究发现,人类连接组的表现优于其随机重连版本,这表明生物布线具有特殊性。为了理解这种优势的来源,引入了一种数学图论分解。对加权网络进行重连会同时改变所连接的区域以及分配给这些连接的权重。因此,观察到的优势结合了布线效应与权重放置效应。通过将布线项在零模型的权重规则上取平均,可以将这两种效应分离,因为单次抽样会引入约一个 z 单位的噪声。随后分别考虑成人和婴儿连接组。在成人人类连接组计划(Human Connectome Project)的图中,权重放置解释了大部分已报告效应,留下一个虽小但一致的布线效应。在整个 dHCP 数据发布中,在每一个测得的出生胎龄上都发现了较大的布线效应,而出生胎龄几乎不能解释其方差。这些连接组还与非脑网络进行了比较。一个在规模、边数、权重和强度上匹配的 Watts-Strogatz 图表现与连接组相当或更好。因此,新生儿连接组的优势在所有测得的胎龄上都是真实的,但它并非大脑所独有。只要将加权网络与重连零模型进行比较,就可以应用同样的分离方法。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Neural and Evolutionary Computing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。