MARC

 008260126s2025        us                              c    eng  d
■001000017360467
■00520260202105531
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263344221
■035    ▼a(MiAaPQ)AAI32309842
■035    ▼a(MiAaPQ)GeorgiaTech77843
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a006
■1001  ▼aBalwani,  Aishwarya.
■24510▼aThrough  the  Recurrent  Neural  Network  Looking  Glass:  Structure-Function  Relationships  in  Cortical  Circuits  for  Predictive  Coding
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a190  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Choi,  Hannah;Rozell,  Christopher.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aThe  elucidation  of  structure-function  relationships  in  neural  circuits  forms  the  cornerstone  of  theoretical  and  computational  neuroscience.  It  lays  the  foundation  for  our  understanding  of  information  representation  and  processing  in  the  brain,  influencing  normative  theories  of  neural  dynamics,  cognition,  and  behaviour.  It  also  sheds  light  on  the  mechanistic  properties  of  these  circuits,  thereby  guiding  research  in  systems  neuroscience,  artificial  intelligence,  and  machine  learning.  However,  despite  decades  of  neuroscientific  inquiry  and  technological  advancements,  our  grasp  on  how  neural  architecture  shapes  its  computations  remains  incomplete.  This  limitation  is  particularly  evident  in  our  understanding  of  the  cortex,  where  its  intricate  laminar  structure  is  arranged  into  the  recurring  neuroanatomical  motif  known  as  the  canonical  cortical  microcircuit.  While  we  have  extensive  knowledge  of  the  structural  scaffolding  itself,  we  lack  a  comprehensive  understanding  of  how  this  architecture  supports  its  sophisticated  information  processing.  Specifically,  the  precise  mechanisms  by  which  the  canonical  microcircuit  and  its  inter-areal  connections  facilitate  predictive  coding,  a  theoretical  framework  positing  that  the  cortex  implements  hierarchical,  predictive  computations  for  efficient  perception  and  inference,  remains  elusive.Unfortunately,  in-vivo  efforts  to  experimentally  test  the  underlying  mechanisms  of  predictive  coding  still  face  enormous  challenges.  Furthermore,  even  as  recent  experimental  advances  have  begun  to  yield  interesting  multi-regional  neuronal  recordings,  our  ability  to  reliably  interpret  these  datasets  at  scale  remains  limited.  In-silico  approaches,  therefore,  present  an  encouraging  avenue  to  address  these  shortcomings.  Specifically,  recurrent  neural  networks  (RNNs)  offer  a  powerful  framework  to  investigate  hypotheses  about  hierarchical  predictive  coding  that  are  currently  challenging  to  test  in-vivo,  owing  to  their  ability  to  effectively  exploit  temporal  dependencies  typical  of  natural  stimuli,  learn  distributed  representations,  and  model  complex,  multi-regional  neuronal  dynamics.Hence,  this  thesis  employs  RNNs  as  models  of  cortical  circuits,  illustrating  how  they  can  be  leveraged  to  study  the  inherent  architectural  biases  of  the  canonical  cortical  microcircuit  and  their  functional  implications,  in  light  of  the  predictive  coding  hypothesis.  Specifically,  it  i)  Establishes  a  computational  framework  using  RNNs  and  representational  analyses  to  study  the  effects  of  biologically-motivated  inter-areal  laminar  connections  on  the  computational  roles  of  different  neuronal  populations  in  the  microcircuit  across  hierarchically-related  areas,  ii)  Demonstrates  how  feedback  connections  combined  with  time-delays  provide  an  inductive  bias  for  differentiating  expected  and  unexpected  inputs,  and  iii)  Studies  the  effects  of  including  a  predictive  coding-based  training  strategy  on  the  representational  geometry  of  neuronal  populations  receiving  inter-areal  feedback.  Furthermore,  this  dissertation  also  develops  tools  that  address  limitations  concerning  the  anatomical  fidelity  of  conventional  RNN  architecture  and  training,  thereby  improving  their  overall  biological  plausibility  and  potential  for  modelling  real  neural  circuits.  More  concretely,  the  key  contributions  include  mathematically-grounded  methods  with  performance  guarantees  for  i)  Training  RNNs  that  respect  Dale's  law,  and  ii)  Pruning  RNN  weights  to  enforce  highly  sparse,  structured  connectivity  patterns  amongst  different  neuronal  populations.  Finally,  applying  these  methods  to  analyze  multi-regional  interactions  in  2-photon  calcium  imaging  data  from  mice  performing  a  predictive  visual  task  corroborates  experimental  evidence  in  support  of  the  predictive  coding  hypothesis,  showing  the  utility  of  the  proposed  methods  and  overall  approach.The  contributions  of  this  thesis  therefore  provide  a  robust,  computational  framework  for  modelling  and  interpreting  complex,  multi-regional  neuronal  data,  ultimately  paving  the  way  for  deeper  insights  into  how  the  structural  properties  of  cortical  circuits  support  sophisticated  information  processing  and  intelligent  behavior.
■590    ▼aSchool  code:  0078.
■650  4▼aDeep  learning
■650  4▼aBack  propagation
■650  4▼aNeural  networks
■650  4▼aNeurosciences
■650  4▼aInformation  processing
■690    ▼a0800
■690    ▼a0317
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360467▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서