[論文レビュー] An Analytical Approach to Connectivity in Regular Neuronal Networks

Luciano da Fontoura Costa, Marconi Barbosa|arXiv (Cornell University)|Oct 28, 2003

Neural Networks and Applications参考文献 3被引用数 4

ひとこと要約

本稿では、2次元格子上の周期的配置された形状としてのニューロンをモデル化することにより、規則的なニューロンネットワークにおける結合性を完全に特徴付けるための解析的フレームワークを提案する。自己畳み込みおよび巡回隣接行列のスペクトル解析を用いて、ニューロンの形態がヒューフィールドネットワークにおけるシナプス分布とネットワーク性能に顕著に影響することを示し、空間的に広がった形状であるほど固有値スペクトルが広がり、より優れた連想的想起が達成されることを明らかにする。

ABSTRACT

This paper describes how realistic neuromorphic networks can have their connectivity fully characterized in analytical fashion. By assuming that all neurons have the same shape and are regularly distributed along the two-dimensional orthogonal lattice with parameter $Δ$, it is possible to obtain the exact number of connections and cycles of any length from the autoconvolution function as well as from the respective spectral density derived from the adjacency matrix. It is shown that neuronal shape plays an important role in defining the spatial distribution of synapses in neuronal networks. In addition, we observe that neuromorphic networks typically exhibit an interesting phenomenon where the pattern of connections is progressively shifted along the spatial domain for increasing connection lengths. This is a consequence of the fact that in neurons the axon reference point usually does not coincide with the cell centre of mass. Morphological measurements for characterization of the spatial distribution of connections, including the adjacency matrix spectral density and the lacunarity of the connections, are suggested and illustrated. We also show that Hopfield networks with connectivity defined by different neuronal morphologies, quantified by the proposed analytical approach, lead to distinct performace for associative recall, as measured by the overlap index. The potential of the proposed approach is illustrated with respect to digital images of real neuronal cells.

研究の動機と目的

• 同一で周期的に配置されたニューロンを有する規則的なニューロモルフィックネットワークにおける結合性を完全に特徴付ける解析的手法の開発。
• ニューロンの形態、特に形状と軸索基準点の位置が、シナプス分布およびネットワークトポロジーに与える影響の調査。
• 連想記憶ネットワーク（例えばヒューフィールドネットワーク）における機能的性能に、形態的特徴を関連付ける。
• 結合パターンを定量化するための形態的指標（スペクトル密度、ラキュナリティなど）の導入と検証。
• 形態が保持された状態でトポロジカルな摂動に対してネットワーク性能がどの程度頑健であるかの検証。

提案手法

• ニューロンを格子点におけるデルタ関数との畳み込みとしてモデル化し、ネットワーク結合性を生成する。
• ニューロン形状関数の自己畳み込みを用いて、各長さの接続数を解析的に計算する。
• 結合パターンから巡回隣接行列を構築し、フーリエ変換を用いた正確なスペクトル解析を可能にする。
• 隣接行列のスペクトル密度を導出し、ネットワークのトポロジカルおよび機能的性質を特徴付ける。
• ラキュナリティや固有値分布などの形態的指標を用いて、結合の空間的パターンを定量化する。
• 隣接行列から得た重み行列を用いてヒューフィールドネットワークをシミュレートし、オーバーモード指標を用いて連想的想起性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてニューロンの形態を用いて、規則的なニューロンネットワークの結合性を解析的に完全に特徴付けることができるか？
• RQ2 シナプスの空間的分布は、ニューロンの形状と軸索基準点の位置にどの程度依存するか？
• RQ3 ニューロンの形態は、ネットワークの隣接行列のスペクトル的性質にどのように影響を与えるか？
• RQ4 ニューロンの形状は、ヒューフィールドネットワークのような連想記憶ネットワークの性能にどのような影響を与えるか？
• RQ5 形態が保持された状態で、トポロジカルな摂動に対してネットワーク機能はどの程度頑健か？

主な発見

• ネットワーク内の各長さの接続数は、ニューロン形状関数の自己畳み込みによって正確に決定される。
• 隣接行列のスペクトル密度は、結合パターンのフーリエ変換から導出され、ネットワークトポロジーの完全な解析的特徴付けを提供する。
• ニューロンの形状はシナプス分布に顕著な影響を与え、空間的に広がった形状であるほど隣接行列の固有値分布が広がる。
• 形態が異なるニューロンを有するヒューフィールドネットワークでは、異なる連想的想起性能を示し、より等方的（等方的）に分布した形状であるほどオーバーモード指標が高くなる。
• 本モデルは、1%および10%のノイズを含む格子の摂動に対しても頑健であることが示され、トポロジカルな変化に対しても機能的性能の安定性が保たれている。
• 隣接行列の固有値分布は、元のニューロンの空間的構造を反映しており、より均一な形状であるほどスペクトルがより分散する。