A mechanism for the emergence of low-dimensional structures in brain dynamics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent neuroimaging advancements have led to datasets characterized by an overwhelming number of features. Different dimensionality reduction techniques have been employed to uncover low-dimensional manifold representations underlying cognitive functions, while maintaining the fundamental characteristics of the data. These range from linear algorithms to more intricate non-linear methods for manifold extraction. However, the mechanisms responsible for the emergence of these simplified architectures remain a topic of debate. Motivated by concepts from dynamical systems theory, such as averaging and time-scale separation, our study introduces a novel mechanism for the collapse of high dimension brain dynamics onto lower dimensional manifolds. In our framework, fast neuronal activity oscillations average out over time, leading to the resulting dynamics approximating task-related processes occurring at slower time scales. This leads to the emergence of low-dimensional solutions as complex dynamics collapse into slow invariant manifolds. We test this assumption via neural simulations using a simplified model and then enhance the complexity of our simulations by incorporating a large-scale brain network model to mimic realistic neuroimaging signals. We observe in the different cases the convergence of fast oscillatory fluctuations of neuronal activity across time scales that correspond to simulated behavioral configurations. Specifically, by employing various dimensionality reduction techniques and manifold extraction schemes, we observe the reduction of high-dimensional dynamics onto lower-dimensional spaces, revealing emergent low-dimensional solutions. Our findings shed light on the role of frequency and time-scale separation in neuronal activity, proposing and testing a novel theoretical framework for understanding the inner mechanisms governing low-dimensional pattern formation in brain dynamics.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle