مقاله ترجمه شده اثر یادگیری بر توپولوژی شبکه عصبی

توضیحات

عنوان فارسی: شبیه سازی اثر یادگیری روی توپولوژی اتصال تابعی شبکه های عصبی

عنوان انگلیسی:

Simulation of the effect of learning on the topology of the functional connectivity of neural networks

مقدمه:

ما یک فرآیند برای شبکه سازی یادگیری انطباقی در شبکه های عصبی و اثرات این گیری روی روش اتصالات تابعی بین گره های شبکه را پیشنهاد داده ایم. فرآیند دو مکانیسم را ترکیب میکند:اول رقیق سازی تدریجی شبکه از طریق حذف سیناپس های وزن و بنابراین کاهش هزینه ساختار شبکه و دوم  تعلیم شبکه های رقیق شده.با توجه به دشواری سطوح مختلف یادگیری ، ما توپولوژی اتصالات تابعی را در نظر میگیریم و آن را با داده هایی که با استفاده از fMRI از داوطلبان سالم بدست آمده است  ترکیب میکنیم. مطابق نتایج ما ، توپولوژی اتصالات تابعی در افراد سالم میتواند به عنوان حاصلضرب پروسه یادگیری با یک درجه دشواری خاص تفسیر شود.

معرفی

مغز پردازش  موازی فعالیت هایی با منشا و انگیزه های مختلف را ترکیب میسازد،هنگامیکه محیط تمایل دارد که به صورت سریع بر حسب زمان تغییر کند باید این پردازش سریع و قوی باشد.توضیحات دقیق این در سطح سلولی اتفاق میافتد که یک چالش غیر معمول را نشان میدهد که در سالهای اخیر با استفاده از تکنیک های آنالیز گراف برای توصیف شبکه های تابعی که در مقیاس های بزرگ بر حسب سانتی متر تعریف شده اند ، ( پترن هایی از وابستگی آماری) حل شده اند .در این شبکه های گره های مربوط به الکترود ها و یا مکان های نادرست در نقاط بحرانی توسط تکنیک های الکتروکاردیوگرافی ،مگنوکاردیوگرافی و یا تصویر برداری کارکرد  رزونانس مغناطیسی (Fmri) ثبت میشوند.لبه های این شبکه های تابعی متناظر با مقادیر همبستگی بین سری های زمانی مختلف ثبت شده در گره ها تعریف میشوند.هنگامیکه میگوییم یک اتصال وجود دارد که مقدار این همبستگی از ترشهلد بیشتر باشد.توزیع مشاهده شده از این اتصالات تابعی یک فرآیند ترکیبی مجتمع سازی و تفکیک را نشان میدهد که به دقت متعادل سازی شده است که میتواند توسط شاخص هایی مانند بازده کلی ( اندازه اینکه انتقال اطلاعات در شبکه چقدر آسان است؟) ،ضریب خوشه بندی ( اندازه اینکه گره های همسایه تا چه حد تمایل دارند که در یک خوشه قرار بگیرند؟) و پیمانه ای بودن ( یک اندازه از وجود گروهی از گره هایی که به صورت متراکم به دیگر متصل هستند ولی به صورت پراکنده به بدنه شبکه متصل شوند) مشخص سازی شوند.

در سال های اخیر ،مقادیر این شاخص ها از داده گرفته شده از fMRI داوطلبان سالم و اسکیزوفرنی بدست آمد و با استفاده از یک مدل مولد برای ارزیابی احتمال اتصالات تابعی بین نواحی بحرانی ،دوباره تولید شد.مدل فرض میکند با افزایش جداسازی بین نواحی این احتمال کاهش میابد و اگر آنها به محرک ها پاسخ مشابهی بدهند ،افزایش میابد.با در نظر گرفتن این نتایج و به عنوان دستاورد تکمیلی ، ما تحقیق کردیم که آیا احتمالات اتصال تابعی با فرآیند یادگیری مرتبط است؟مدرک وجود دارد که برای مونتاژ اولیه نورون های مغز ( بیشتر از 12 عصب به طور همزمان ثبت شده اند) از یک روش سازماندهی استفاده میشود که عصب ها را  با روشی گروه بندی میکند که بین حیوانات پس از تولد متداول است بنابراین  از تجربه های شخصی مستقل است.مونتاژهای اولیه در مقابل اصلاحات محیطی مقاوم هستند.

توجه:

• برای دانلود فایل word کامل ترجمه لطفا اقدام به خرید فرمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.