• norsk
    • English
  • English 
    • norsk
    • English
  • Login
View Item 
  •   Home
  • Fakultet for medisin og helsevitenskap (MH)
  • Kavliinstitutt for nevrovitenskap
  • View Item
  •   Home
  • Fakultet for medisin og helsevitenskap (MH)
  • Kavliinstitutt for nevrovitenskap
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Dynamics of randomly connected neural networks and inference in the presence of hidden nodes

Battistin, Claudia
Doctoral thesis
View/Open
Archive file no access (Locked)
URI
http://hdl.handle.net/11250/2584804
Date
2018
Metadata
Show full item record
Collections
  • Kavliinstitutt for nevrovitenskap [172]
Abstract
Dynamikken til randomiserte nevrale nettverk og inferens med tilstedeværelse av skjulte

noder Hjernen koder informasjon i populasjoner av nevroner, i motsetning til i enkeltceller. Modeller av nevrale nettverk kan hjelpe oss å forstå koden som brukes av populasjoner av nevroner, gjennom å avdekke forholdet mellom aktiviteten og koblinger i nettverket ved hjelp av to tilnærminger. Den første innebærer hvordan modeller muliggjør studier av hjernens populasjonskoding gjennom analyser av spesiÆkke koblingsproÆler i et fullstendig kontrollert rammeverk. Forståelsen av dynamikken i modeller av nevrale nettverk guides av såkalte feltgjennomsnitt-tilnærminger (mean Æeld approaches), hvilke undersøkes i artikkel II. Videre fokuserer artikkel II på randomiserte nettverk, hvilke er kjent for å gjengi realistiske forhold med henblikk på kortikal aktivitet. Et eksempel på dette er irregulær fyring som oppstår gjennom en dynamisk balanse mellom eksitasjon og inhibisjon. Den andre tilnærmingen fokuserer på hvordan modeller for nevrale nettverk kan nyttiggjøres for å utvikle statistiske læringsmetoder som antyder funksjonelle koblinger baser på faktiske nevrale målinger. Slike modeller tar hensyn til den synkrone aktiviteten til nevroner hvis aktivitet er kjent, ved å innlemme interaksjoner, historiske komponenter og eksterne stimuli.

Disse er imidlertid ikke de eneste kovariatene som virker inn på aktiviteten til de faktisk målte nevronene. Nevroner som ikke har blitt fanget opp gjennom målingene, så kalte skjulte nevroner, vil også påvirke statistikken som utvikles for de målte nevronene, noe som gir oppgav til problemet med skjulte noder. Dette problemet introduseres i artikkel I og er relatert til antakelsene vi gjør på datasett, gitt dagens teknologi hvilket kun gir mulighet for å måle et mindre antall funksjonelt relevante nevroner in vivo. I artikkel III ser jeg nærmere på problemet med skjulte noder ved rekonstruksjonen av koblingene i en modell for et nevralt nettverk, som en funksjon av styrken på interaksjonene samt fraksjonen av skjulte nevroner. Foreløpige bevis indikerer at nevrale nettverk i hjernen innehar sterke interaksjoner, og at man derav sannsynligvis ikke kan neglisjere fraksjonen av skjulte nevroner. Dette innebærer at modeller som muliggjør statiske slutninger eksplisitt må redegjøre for skjulte nevroner. I artikkel IV foreslås derav en e"ektiv algoritme for å gjøre antakelser vedrørende funksjonelle koblinger der hensynet til skjulte noder er inkludert.
Publisher
NTNU
Series
Doctoral theses at NTNU;2018:380

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit
 

 

Browse

ArchiveCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsDocument TypesJournalsThis CollectionBy Issue DateAuthorsTitlesSubjectsDocument TypesJournals

My Account

Login

Statistics

View Usage Statistics

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit