本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #105
- 日期：2026-03-18
摘要
刺激和尖峰序列反應之間的互資訊通常用於監測神經編碼效率，但廣義的神經元計算需要輸入輸出聯合過程的更精細和有針對性的信息測量。實現這一更大目標的第一步是為各個輸出過程開發資訊度量，包括資訊產生（熵率）、儲存資訊（統計複雜性）、可預測資訊（過剩熵）和主動資訊累積（綁定資訊率）。我們計算了由各種雜訊驅動的整合和激發神經元產生的尖峰序列，作為時間解析度和交替更新過程的函數。我們證明它們的時間分辨率依賴性揭示了峰間間隔統計的粗粒度結構特性；例如，τ-熵率的發散速度慢於發射率，表明尖峰間的相關性。我們還發現證據表明，不同類型的整合激發神經元的過量熵和正則化統計複雜性在連續時間限制中是普遍存在的，因為它們不依賴機制細節。這表明這些模型神經元生成的尖峰序列具有令人驚訝的簡單性。有趣的是，具有伽瑪分佈 ISI 的神經元和其尖峰序列交替更新過程的神經元並不屬於同一普遍性類別。這些結果得出兩個結論。首先，資訊測量對時間分辨率的依賴性揭示了尖峰序列生成的機制細節。其次，資訊測量可用作分析尖峰序列過程的模型選擇工具。