低分辨率模型神经活动描述揭示隐藏特征与系统属性
无序系统与神经网络
2024-10-17 v3 计算物理
摘要
复杂系统（如神经网络）的分析因其交互组件的数量庞大而尤为困难。在缺乏先验知识的情况下，识别一小部分对网络节点上应专注的分析的子集是一个相当具挑战性的任务。在本工作中，我们在 Hopfield 模型的上下文中解决了这一问题，该模型通过低分辨率表征（或脱节映射）的镜头进行观察，这些表征由其神经元子组构成。通过最近发展出的方法论（mapping entropy optimisation workflow, MEOW），定义最佳、最具信息性的映射；该方法对网络抽样的状态进行无监督分析，并识别那些其配置分布最接近整个高分辨率模型的神经元子组。哪些神经元被保留在最佳映射中，取决于网络交互矩阵的属性以及描述该系统所采用的细节水平；通过这些方式，我们能够从对最佳低分辨率表征的分析中提取关于高分辨率模型底层属性的定量见解。这些结果显示了网络被检查的细节水平与从中可获取信息类型和数量之间存在紧密且可能富有成果的关系，并展示了 MEOW 方法作为一种实用、可实现的复杂系统研究工具。
关键词
引用
@article{arxiv.2405.14531,
title = {Low-resolution descriptions of model neural activity reveal hidden features and underlying system properties},
author = {Riccardo Aldrigo and Roberto Menichetti and Raffaello Potestio},
journal= {arXiv preprint arXiv:2405.14531},
year = {2024}
}