弱相关递归网络的统一视角
摘要：当代理论神经科学中使用的神经元模型的多样性使得人们不知道这些模型之间的关系。特别是很难区分通用特性和由于抽象模型而产生的特殊性。本文提出了一种对非规则网络中递归网络中的成对协方差的统一观点。我们考虑了二进制神经元模型、泄漏积分-发放模型和霍克斯过程。我们证明线性近似将这些模型映射到两类线性速率模型之一，其中包括奥恩斯坦-乌伦贝克过程作为特例。这两类的不同之处在于速率动力学中附加噪声的位置，对于尖峰模型来说在输出端，对于二进制模型来说在输入端。这两类模型都允许协方差的闭合形式解。对于输出噪声，它分解为回响项和由相关输入导致的项。统一的框架使我们能够在模型之间转移结果。例如，我们将二进制模型和霍克斯过程推广到存在传导延迟的情况，并简化已有结果的推导。我们的方法适用于一般的网络结构，并适用于群体平均。对于固定出度的网络架构，得到的平均值是精确的，对于固定入度则是近似的。我们展示了如何在线性化过程中考虑波动性，以提高有效理论的准确性，并解释了时间域和频率域中协方差之间的类别差异。最后，我们展示了延迟抑制反馈网络中出现的振荡不稳定性是一个模型不变的特征：复频率平面上的极点结构决定了群体功率谱。
作者：Dmytro Grytskyy, Tom Tetzlaff, Markus Diesmann, Moritz Helias
论文ID：1304.7945
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-05-17