GOPHERSPACE.DE - P H O X Y
gophering on origin.rxivist.org
               _____          _         _       _
              |  __ \        (_)       (_)     | |
              | |__) |__   __ _ __   __ _  ___ | |_
              |  _  / \ \ / /| |\ \ / /| |/ __|| __|
              | | \ \  \ v / | | \ V / | |\__ \| |_
              |_|  \_\  > <  |_|  \_/  |_||___/ \__|
                       / ^ \
                      /_/ \_\
                      TRENDING OPEN SCIENCE
-------------
Bio-instantiated recurrent neural networks
--------
By
  Alexandros Goulas
  Fabrizio Damicelli
  Claus C. Hilgetag

DOI: 10.1101/2021.01.22.427744

On bioRxiv: https://biorxiv.org/content/10.1101/2021.01.22.427744v1

Biological neuronal networks (BNNs) constitute a niche for inspiration
and analogy making for researchers that focus on artificial neuronal
networks (ANNs). Moreover, neuroscientists increasingly use ANNs as a
model for the brain. However, apart from certain similarities and
analogies that can be drawn between ANNs and BNNs, such networks
exhibit marked differences, specifically with respect to their network
topology. Here, we investigate to what extent network topology found
in nature can lead to beneficial aspects in recurrent neural networks
(RNNs): i) the prediction performance itself, that is, the capacity of
the network to minimize the desired function at hand in test data and
ii) speed of training, that is, how fast during training the network
reaches its optimal performance. To this end, we examine different
ways to construct RNNs that instantiate the network topology of brains
of different species. We refer to such RNNs as bio-instantiated. We
examine the bio-instantiated RNNs in the context of a key cognitive
capacity, that is, working memory, defined as the ability to track
task-relevant information as a sequence of events unfolds in time. We
highlight what strategies can be used to construct RNNs with the
network topology found in nature, without sacrificing prediction
capacity and speed of training. Despite that we observe no enhancement
of performance when compared to randomly wired RNNs, our approach
demonstrates how empirical neural network data can be used for
constructing RNNs, thus, facilitating further experimentation with
biologically realistic networks topology.

---
RANKS:
370 downloads all time
  - Overall rank: 67675
  - Rank in neuroscience: 10371


______________________________________________________________________
                                          Served by Flask-Gopher/2.0.0