scholarly journals Modeling the online social transmission through the theory of complex adaptive systems and neural network models based on the brain dynamics

2015 ◽  
Author(s):  
Ηλίας Λυμπερόπουλος
Keyword(s):  
Neural Network ◽  
Complex Adaptive Systems ◽  
Adaptive Systems ◽  
Network Models ◽  
Social Transmission ◽  
Brain Dynamics ◽  
Neural Network Models ◽  
Complex Adaptive ◽  
The Brain

Η μοντελοποίηση δυναμικών κοινωνικών διαδικασιών που λαμβάνουν χώρα στο διαδίκτυο αποτελεί ένα απαιτητικό εγχείρημα για τους παρακάτω λόγους: Πρώτον, τα πρόσωπα που αλληλεπιδρούν είναι ετερογενή και το καθένα ξεχωριστά αποτελεί ένα πολύπλοκο σύστημα. Δεύτερον, οι αλληλεπιδράσεις μεταξύ χρηστών επηρεάζονται από θόρυβο και τυχαιότητα, ενώ παράλληλα το δίκτυο των διαπροσωπικών επικοινωνιών είναι εξαιρετικά πολύπλοκο. Τρίτον, τα κοινωνικά συστήματα δεν βρίσκονται σε κατάσταση ισορροπίας καθώς η δυναμική τους επηρεάζεται από εξωτερικές διαταραχές των οποίων η κατανομή, συσχέτιση με ένα κοινωνικό σύστημα, καθώς και η μη στασιμότητά τους, είναι δύσκολο να καθοριστούν και να συμπεριληφθούν σ’ ένα δυναμικό κοινωνικό μοντέλο. Η επιτυχής μοντελοποίηση της online κοινωνικής μετάδοσης απαιτεί μια προσέγγιση ικανή να ανταπεξέλθει στις παραπάνω προκλήσεις. Γι’ αυτό το σκοπό αναπτύσσω και εφαρμόζω ένα πλαίσιο υλοποίησης βασισμένο στην θεωρία των πολύπλοκων προσαρμοστικών συστημάτων}. Μέσω μια τέτοιας μεθοδολογίας μπορεί να μελετηθεί η δυναμική φύση των αλληλεπιδράσεων μεταξύ χρηστών καθώς και οι μακροσκοπικές ιδιότητες της δραστηριότητας τους υπό την παρουσία εξωτερικών επιρροών. Ένα εξαιρετικά σύνθετο πολύπλοκο προσαρμοστικό σύστημα είναι αυτό του ανθρώπινου εγκεφάλου. Τα κοινωνικά δίκτυα είναι ακόμα πιο πολύπλοκα καθώς ουσιαστικά αποτελούνται από διασυνδεδεμένους εγκεφάλους. Ως αποτέλεσμα η μοντελοποίηση δυναμικών διαδικασιών που λαμβάνουν χώρα στα online κοινωνικά δίκτυα αποτελεί ένα υπερβολικά περίπλοκο έργο. Για την αντιμετώπιση των προκλήσεων μιας τέτοιας προσπάθειας εξετάζω τις online κοινωνικές διεργασίες μέσα από την προοπτική της νευροεπιστήμης θεωρώντας τη δυναμική των online κοινωνικών δικτύων ανάλογη με την δυναμική δικτύων αποτελούμενων από νευρώνες ολοκλήρωσης και πυροδότησης. Μέσω αυτού του ισομορφισμού εισάγω ένα νέο μοντέλο για την online κοινωνική μετάδοση το οποίο βασίζεται σε τρεις πηγές θετικής ή αρνητικής επιρροής: Την αυτοπαραγόμενη, τη διαπροσωπική και την εξωτερική. Το προτεινόμενο μοντέλο εξηγεί την ανάπτυξη της online δραστηριότητας καθώς και τις μορφές μετάδοσής της σε συνάρτηση με το δίκτυο των αλληλεπιδράσεων, την ενδογενή και εξωγενή επιρροή καθώς και τον μηχανισμό ενεργοποίησης των χρηστών. Μέσω πειραμάτων εξομοίωσης και ελέγχων εγκυρότητας των παραγόμενων αποτελεσμάτων μετά από σύγκριση με πραγματικά δεδομένα από το κοινωνικό δίκτυο Twitter, δείχνω ότι το μοντέλο αναπαράγει με ακρίβεια πρότυπα συλλογικής δραστηριότητας προερχόμενα από την απόκριση των χρηστών σε διαφόρων μορφών ερεθίσματα. Η συγκριτική αξιολόγηση των επιδόσεων του προτεινόμενου μοντέλου σε συνάρτηση με αυτή μοντέλων αναφοράς δείχνει ότι αυτό υπερτερεί σημαντικά στην ακρίβεια αναπαραγωγής πραγματικών προτύπων online δραστηριότητας. Μια ακόμα διαδικασία online κοινωνικής μετάδοσης την οποία μοντελοποιώ με καινοτόμο τρόπο σε αυτή τη Διδακτορική Διατριβή αφορά στη μετάδοση online πληροφορίας. Τη δυναμική αυτής της διαδικασίας την αναπαράγω μέσω ενός δικτυακού δυναμικού συστήματος αποτελούμενο από νευρώνες ολοκλήρωσης και πυροδότησης με θορυβώδη εισροή πληροφορίας. Μέσω του συνδυασμού ντετερμινιστικών και στοχαστικών συνιστωσών το προτεινόμενο μοντέλο αναπαράγει με ακρίβεια τα πρότυπα μετάδοσης online πληροφορίας, υποδηλώνοντας ότι αυτά εξαρτώνται από την χρονική δομή, ισχύ, καθώς και το λόγο σήματος-θορύβου των ερεθισμάτων που επηρεάζουν τους διασυνδεδεμένους χρήστες. Ο προτεινόμενος μηχανισμός ενσωματώνει τις έννοιες της ``απλής'' και ``πολύπλοκης'' μετάδοσης και επεκτείνει τις υπάρχουσες προσεγγίσεις καθώς συμπεριλαμβάνει σε ένα ενιαίο μοντέλο ενδογενείς και εξωγενείς, θετικές και αρνητικές, ντετερμινιστικές και στοχαστικές πηγές επιρροής. Τα προτεινόμενα μοντέλα νευρωνικών δικτύων είναι εύκολα προσαρμόσιμα και κατάλληλα για τη μελέτη ενός μεγάλου αριθμού από online και offline κοινωνικές δυναμικές διαδικασίες που αφορούν στη διάδοση συμπεριφορών, τάσεων και φημών, καθώς και στη διάχυση και προώθηση νέων προϊόντων. Τελικά, τη γνώση που προέκυψε από την μοντελοποίηση των προτύπων της online κοινωνικής δραστηριότητας την αξιοποιώ περαιτέρω με την ανάπτυξη ενός προβλεπτικού μοντέλου ικανού να παράγει ακριβείς προβλέψεις σχετικά με τη διάδοση online περιεχομένου.

Speech as a breakthrough signaling resource in the cognitive evolution of biological complex adaptive systems

2014 ◽  
Vol 37 (6) ◽  
pp. 563-564 ◽  
Author(s):  
Tobias A. Mattei
Keyword(s):  
Complex Adaptive Systems ◽  
Adaptive Systems ◽  
System Analysis ◽  
Complex Adaptive System ◽  
Brain Structures ◽  
Human Cognition ◽  
Evolutionary Development ◽  
Complex Adaptive ◽  
Triggering Events ◽  
The Brain

AbstractIn self-adapting dynamical systems, a significant improvement in the signaling flow among agents constitutes one of the most powerful triggering events for the emergence of new complex behaviors. Ackermann and colleagues' comprehensive phylogenetic analysis of the brain structures involved in acoustic communication provides further evidence of the essential role which speech, as a breakthrough signaling resource, has played in the evolutionary development of human cognition viewed from the standpoint of complex adaptive system analysis.

scholarly journals A Complex-valued Oscillatory Neural Network for Storage and Retrieval of Multichannel Electroencephalogram Signals

2020 ◽  
Author(s):  
Dipayan Biswas ◽  
P. Sooryakiran ◽  
V. Srinivasa Chakravarthy
Keyword(s):  
Neural Network ◽  
Time Series ◽  
Complex Variable ◽  
Network Models ◽  
Brain Dynamics ◽  
Neural Network Models ◽  
Storage And Retrieval ◽  
Power Coupling ◽  
Oscillatory Neural Network ◽  
Multiple Frequencies

AbstractRecurrent neural networks with associative memory properties are typically based on fixed-point dynamics, which is fundamentally distinct from the oscillatory dynamics of the brain. There have been proposals for oscillatory associative memories, but here too, in the majority of cases, only binary patterns are stored as oscillatory states in the network. Oscillatory neural network models typically operate at a single/common frequency. At multiple frequencies, even a pair of oscillators with real coupling exhibits rich dynamics of Arnold tongues, not easily harnessed to achieve reliable memory storage and retrieval. Since real brain dynamics comprises of a wide range of spectral components, there is a need for oscillatory neural network models that operate at multiple frequencies. We propose an oscillatory neural network that can model multiple time series simultaneously by performing a Fourier-like decomposition of the signals. We show that these enhanced properties of a network of Hopf oscillators become possible by operating in the complex-variable domain. In this model, the single neural oscillator is modeled as a Hopf oscillator, with adaptive frequency and dynamics described over the complex domain. We propose a novel form of coupling, dubbed “power coupling,” between complex Hopf oscillators. With power coupling, expressed naturally only in the complex-variable domain, it is possible to achieve stable (normalized) phase relationships in a network of multifrequency oscillators. Network connections are trained either by Hebb-like learning or by delta rule, adapted to the complex domain. The network is capable of modeling N-channel Electroencephalogram time series with high accuracy and shows the potential as an effective model of large-scale brain dynamics.

scholarly journals Training the brain using neural-network models

Nature ◽  
1988 ◽  
Vol 333 (6172) ◽  
pp. 401-401 ◽  
Author(s):  
JOHN R. SKOYLES
Keyword(s):  
Neural Network ◽  
Network Models ◽  
Neural Network Models ◽  
The Brain

The Role of Computer Simulation in Neurolinguistics

1993 ◽  
Vol 16 (2) ◽  
pp. 153-169 ◽  
Author(s):  
Hans-Jürgen Eikmeyer ◽  
Ulrich Schade
Keyword(s):  
Neural Network ◽  
Computer Simulation ◽  
Cognitive Science ◽  
Language Production ◽  
Network Models ◽  
Neural Network Models ◽  
Cognitive Capacities ◽  
The Brain ◽  
Structure And Functions

As a result of present-day technological standards, the technique of computer simulation is constantly gaining influence in cognitive science. Neurolinguistics is a special branch of this field in which cognitive capacities connected with language are related to the structure and functions of the brain. It is argued that computer simulation is a useful technique for evaluating neurolinguistic models. This is demonstrated with respect to neural network models of the process of language production.

Ergodicity of Spike Trains: When Does Trial Averaging Make Sense?

2003 ◽  
Vol 15 (6) ◽  
pp. 1341-1372 ◽  
Author(s):  
Naoki Masuda ◽  
Kazuyuki Aihara
Keyword(s):  
Neural Network ◽  
Network Models ◽  
Spike Trains ◽  
Neural Network Models ◽  
Large Variability ◽  
Synaptic Inputs ◽  
Synchronous Firing ◽  
High Membrane Potential ◽  
External Stimuli ◽  
The Brain

Neuronal information processing is often studied on the basis of spiking patterns. The relevant statistics such as firing rates calculated with the peri-stimulus time histogram are obtained by averaging spiking patterns over many experimental runs. However, animals should respond to one experimental stimulation in real situations, and what is available to the brain is not the trial statistics but the population statistics. Consequently, physiological ergodicity, namely, the consistency between trial averaging and population averaging, is implicitly assumed in the data analyses, although it does not trivially hold true. In this letter, we investigate how characteristics of noisy neural network models, such as single neuron properties, external stimuli, and synaptic inputs, affect the statistics of firing patterns. In particular, we show that how high membrane potential sensitivity to input fluctuations, inability of neurons to remember past inputs, external stimuli with large variability and temporally separated peaks, and relatively few contributions of synaptic inputs result in spike trains that are reproducible over many trials. The reproducibility of spike trains and synchronous firing are contrasted and related to the ergodicity issue. Several numerical calculations with neural network examples are carried out to support the theoretical results.

scholarly journals A Deep Predictive Coding Network for Learning Latent Representations

2018 ◽  
Author(s):  
Shirin Dora ◽  
Cyriel Pennartz ◽  
Sander Bohte
Keyword(s):  
Neural Network ◽  
Deep Neural Network ◽  
Predictive Coding ◽  
External Environment ◽  
Network Models ◽  
The Novel ◽  
Neural Network Models ◽  
Architectural Constraints ◽  
Latent Representations ◽  
The Brain

AbstractIt has been argued that the brain is a prediction machine that continuously learns how to make better predictions about the stimuli received from the external environment. It builds a model of the world around us and uses this model to infer the external stimulus. Predictive coding has been proposed as a mechanism through which the brain might be able to build such a model of the external environment. However, it is not clear how predictive coding can be used to build deep neural network models of the brain while complying with the architectural constraints imposed by the brain. In this paper, we describe an algorithm to build a deep generative model using predictive coding that can be used to infer latent representations about the stimuli received from external environment. Specifically, we used predictive coding to train a deep neural network on real-world images in a unsupervised learning paradigm. To understand the capacity of the network with regards to modeling the external environment, we studied the latent representations generated by the model on images of objects that are never presented to the model during training. Despite the novel features of these objects the model is able to infer the latent representations for them. Furthermore, the reconstructions of the original images obtained from these latent representations preserve the important details of these objects.

scholarly journals Neural classifiers with limited connectivity and recurrent readouts

2017 ◽  
Author(s):  
Lyudmila Kushnir ◽  
Stefano Fusi
Keyword(s):  
Neural Network ◽  
Long Range ◽  
Network Models ◽  
Classification Performance ◽  
Network Architectures ◽  
Huge Number ◽  
Neural Network Models ◽  
Random Patterns ◽  
Scalable Network ◽  
The Brain

AbstractFor many neural network models in which neurons are trained to classify inputs like perceptrons, the number of inputs that can be classified is limited by the connectivity of each neuron, even when the total number of neurons is very large. This poses the problem of how the biological brain can take advantage of its huge number of neurons given that the connectivity is sparse. One solution is to combine multiple perceptrons together, as in committee machines. The number of classifiable random patterns would then grow linearly with the number of perceptrons, even when each perceptron has limited connectivity. However, the problem is moved to the downstream readout neurons, which would need a number of connections that is as large as the number of perceptrons. Here we propose a different approach in which the readout is implemented by connecting multiple perceptrons in a recurrent attractor neural network. We prove analytically that the number of classifiable random patterns can grow unboundedly with the number of perceptrons, even when the connectivity of each perceptron remains finite. Most importantly, both the recurrent connectivity and the connectivity of downstream readouts also remain finite. Our study shows that feed-forward neural classifiers with numerous long range afferent connections can be replaced by recurrent networks with sparse long range connectivity without sacrificing the classification performance. Our strategy could be used to design more general scalable network architectures with limited connectivity, which resemble more closely the brain neural circuits which are dominated by recurrent connectivity.

Sign in / Sign up

Export Citation Format

Share Document