模式分离的信息几何公式化及现有指标的评估
神经元与认知
2024-07-23 v1
摘要
模式分离是一种计算过程，通过该过程，从相似的输入模式生成不相似的神经模式。我们提出了模式分离的信息几何公式化，其中模式分离器被建模为流形上的一组统计分布族。这样的流形将输入（即坐标）映射到生成发放模式的概率分布。当小的坐标变化导致来自相应分布的样本之间距离很大时，就发生了模式分离。在此公式下，我们实现了一个双神经元系统，其概率律形成了一个三维流形，具有相互正交的坐标，分别代表神经元的边缘发放率和相关发放率。我们使用这个高度受控的系统来检查模式分离研究中常用的发放序列相似性指标的行为。我们发现，所有指标（除缩放因子外）都对边缘发放率的相对差异敏感，但没有一个指标能充分捕捉由改变两个神经元之间活动相关性所导致的发放序列差异。也就是说，现有的模式分离指标似乎（A）对由不同神经元编码的模式敏感，但（B）对仅在相对发放时间（例如，神经元集合中神经元之间的同步性）上不同的模式不敏感。
引用
@article{arxiv.2407.14798,
title = {An Information-Geometric Formulation of Pattern Separation and Evaluation of Existing Indices},
author = {Harvey Wang and Selena Singh and Thomas Trappenberg and Abraham Nunes},
journal= {arXiv preprint arXiv:2407.14798},
year = {2024}
}