Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
The role of pairwise and higher-order correlations in feedforward inputs to neural networks
KTH, School of Engineering Sciences (SCI), Mathematics (Dept.), Numerical Analysis, NA.
2015 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Rollen av parvisa och högre ordningens korrelationer i indata för framåtkopplade neuronnät (Swedish)
Abstract [en]

When presented with a task or stimulus, the ongoing activity in the brain is perturbed in order to process the new information of the environment. Typical characteristics of this evoked activity are (1) an increase in firing rate of neurons, (2) a decrease in trial-by-trial variability and (3) an increase or decrease in spike count correlations. Considering the importance of variability and correlations within the rate coding paradigm, it is crucial to understand the origin of these modulations. Different networks in the brain are typically connected through divergent-convergent connections. In a recent work, the correlations in the convergent connections of the feed-forward input have been found to be able to reproduce the above characteristics. This thesis expands this work by also considering correlations in the divergent connections. Through large-scale network simulations, we can show that correlations in the divergent connections have a significant impact on the output correlation coefficient and a small impact on the output firing rate. Moreover, we investigate the question whether keeping the pairwise correlations constant and varying the higher-order correlation structure can influence the network dynamics. We find that this influence is very small suggesting that higher-order correlations in the divergence connections carry only a limited amount of information. These findings can significantly simplify the analysis of neural data.

Abstract [sv]

När hjärnan presenteras med en uppgift eller stimulans, förändras den pågående aktiviteten för att bearbeta den nya informationen om miljön. Typiska egenskaper hos denna förändring av aktivitet är (1) en ökning av spikfrekvens hos nervceller, (2) en minskning i variabilitet mellan försök och (3) en ökning eller minskning av korrelationer räknat i antal spikar. Med tanke på vikten av variabilitet och korrelationer inom ”rate coding” (spikfrekvens-kodning) paradigmet, är det viktigt att förstå ursprunget till dessa aktivitetsförändringar. Olika nätverk i hjärnan är normalt kopplade via divergerande-konvergerande anslutningar. En nylig studie har visat att korrelationerna i ett framåt-kopplat nätverk med konvergerande anslutningar reproducerar de tidigare nämnda egenskaperna hos dessa nätverk. Denna avhandling utökar detta arbete genom att även studera korrelationer i nätverk med divergerande kopplingar. Genom storskaliga nätverkssimuleringar, kan vi visa att divergerande kopplingar har en stor effekt på korrelationskoefficienten men en mindre inverkan på den resulterande spikfrekvensen. Vidare undersöker vi om man kan påverka nätverksdynamiken genom att hålla parvisa korrelationer konstant och variera den högre ordningens korrelationsstruktur. Vi visar att detta inflytande är mycket litet vilket tyder på att högre ordningens korrelationer i divergerade kopplingar endast bär en begränsad mängd information. Dessa resultat kan därigenom avsevärt förenkla analysen av neural data.

Place, publisher, year, edition, pages
2015.
Series
TRITA-MAT-E, 2015:56
National Category
Computational Mathematics
Identifiers
URN: urn:nbn:se:kth:diva-172812OAI: oai:DiVA.org:kth-172812DiVA: diva2:849685
Subject / course
Scientific Computing
Educational program
Master of Science - Computer Simulation for Science and Engineering
Supervisors
Examiners
Available from: 2015-08-30 Created: 2015-08-30 Last updated: 2016-02-15Bibliographically approved

Open Access in DiVA

fulltext(2951 kB)136 downloads
File information
File name FULLTEXT01.pdfFile size 2951 kBChecksum SHA-512
852d4a6efdc7852d111cec94c5403a35ef62477fcf33861161aa233d8a2a5abbe68ac4f5ccd97e605ed6c6df41545ac44de03cb75426bbb953278282565c7460
Type fulltextMimetype application/pdf

By organisation
Numerical Analysis, NA
Computational Mathematics

Search outside of DiVA

GoogleGoogle Scholar
Total: 136 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 301 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf