Structured chaos shapes joint spike-response noise entropy in temporally driven balanced networks
Notice bibliographique
Résumé
How variable and noisy is the neural code arising from the joint activity of recurrently connected cells? Isolated neurons are known to respond to fluctuating input currents with reliable spike patterns [1,2], but variability in stimulus-evoked spike trains is increasingly pronounced in deeper, more recurrently connected brain areas such as cortex [3]. What are the network-level sources of this variability, and how they might constrain spiking features relevant for coding remains an open question. We focus on spiking model networks with sparse, random connectivity and balanced excitation and inhibition that reproduce the irregular firing that typifies cortical activity. In such models, activity is known to be chaotic, with extremely strong sensitivity of spike outputs on tiny changes in a network’s initial conditions [4-6]. Nevertheless, when subject to temporally fluctuating driving inputs, networks can have chaotic attractors of limited dimension and geometric properties leading to reduced spiking variability at the single-cell level [7]. As recent studies suggest that the impact of noise on network coding cannot be understood by single cell properties alone [8,9], we study mechanisms underlying the joint activity of entire networks. We derive a bound for the entropy of joint spike pattern distributions in large spiking model networks in response to a fluctuating temporal signal. The analysis is based on results from random dynamical systems theory and complimented by detailed numerical simulations. We find that despite very weak conditional correlations between neurons, the resulting joint variability of network responses is surprisingly lower than what would be expected by considering only limited statistical neural interactions. Moreover, joint spiking variability is strongly constrained by the level of temporal features of input stimuli.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».