2025年12月10日 第12回
今日の授業で記憶の保持について少し触れている部分があり，
そこが気になった．
ニューロン数を増やすや，
シナプス数を増やすなどの手法が忘れにくくする方法の一つとして挙げられていたが，
そもそもそれが保持にどうつながるか気になった．
覚えるや思い出すといった行為は情報のやり取りが多くできることが直接的につながると思うが，
保持にはどうつながるのか気になった．
pp.24-25のことでしょうか．次回触れましょう．
雪崩サイズと継続時間がべき乗則に従うことで，
脳が臨界状態にあることを強く示していて興味深い．
また，
わずかな発火が巨大な連鎖反応に発展する可能性を持つという点が，
神経回路のダイナミックさをよく表していると感じた．
そうですね．その通りだと思います．まさにダイナミクスが重要ですね．
本日の講義では，
時系列解析の方法と，
学習と記憶について学んだ．
2つの時系列データの比較は自分の研究でも使うと感じた．
関係ありますかね．そうであれば，ぜひ使うようにしてください．
今回の講義では，
マーク付き点過程の例を通してスパイク解析の基本的な考え方への理解を深めることができた．
また，
ニューロンの信号伝達効率が時間的要因とどのように関わるかを学び，
そこからシナプス可塑性に関する議論へとつながっていく流れも理解できた．
よろしいと思います．
今回の講義では，
マーク付き点過程の例からスパイク解析の概要，
そしてニューロンの信号の伝達効率と時間の関係星からシナプスの可塑性などへの理解を深めた．
発火が連鎖的にひろがっていくさまを雪崩と命名した人にセンスを感じる．
確かにセンスがいいですね，
神経雪崩現象のサイズと発生確率の関係がべき乗則に従うと聞いて，
モデリング理論のスケールフリーネットワークを連想しました．
ただネットワークの次数分布がべき乗則に従うことと，
現象の規模とその発生確率がべき乗則に従うことは異なることかもしれません．
どちらかといえば地震の規模とその発生確率のようなものと思い調べてみたところ，
こちらもグーテンベルグ・リヒター則というべき乗則に従うことがわかりました．
どちらも，
砂粒を落としていくと，
砂山ができ，
その傾斜が一定以上になると，
砂が崩れていくような現象(自己組織化臨界現象)を背景としていると分かり，
とても腑に落ちました．
確かに異なることなのですが，普遍性があるということですね．
重要なところだと思います．
グーテンベルグ・リヒター則もその通りです．
self-organized criticality ですね．
シナプスの動画がとても分かりやすかった．
また，
スパイクの伝達効率を上げることが機械学習に役立つのではないかと感じた．
はい，機械学習にも役立ちますね．
スパイク列を点過程として扱うことで，
神経活動の時間構造を定量的に捉えられる点が興味深かった．
Spike Time Metric や偏相関解析が，
隠れた結合関係の推定に有効であることを知り，
脳のネットワーク解析の奥深さを実感した．
そうなのです．奥深いのですよ，そこがまたいいですね．
アニメーションでも見せていただいたことで，
より理解を深めることができた．
理解してくれて良かったです．
今回の講義を通して，
神経細胞の発火現象を単なる波形ではなく数学的な点過程として捉え，
定量的に解析するアプローチの重要性をより深く理解できた．
特に，
スパイク系列を離散的なイベントの集合としてモデル化することで，
複雑な時系列データから本質的な情報を抽出できる点が印象的だった．
また，
複数ニューロンのスパイク系列から刺激相関や神経性相関に基づいて
結合の有無を推定する手法は原理的には理解できたが，
実際のノイズが多い脳内で，
どの程度の精度と信頼性で結合を特定できるのかに強く関心を持った．
いいコメントですね．次回触れましょう．
点過程やマーク付き点過程について，
株価の変動や地震のような具体例を手がかりに学んだことで，
ランダムな事象が時間軸上でどのように発生するかをより直感的に理解できた．
また，
スパイク解析の基本的な考え方を通して，
ニューロンが信号を伝える際の効率とタイミングの関係性，
さらにそこから生まれるシナプス可塑性の仕組みについても理解が深まったと感じた．
理解してくれたようで良かったと思います．
今日は復習の内容がメインであったが，
神経細胞の学習に関して，
スパイク，
点過程の観点から詳しく知れたので良かった．
後半は復習でしたが，前半のデータ解析，スパイク列解析は初めてお話ししましたね．
スパイク列間の距離を定義し，
観測データのみからネットワーク構造を推定する手法はとても汎用性が高いと思った．
特に，
共通入力などのノイズが存在する状況下でも，
数理的な解析によって真の結合を見抜ける点に興味を持った．
実際の生体データ解析において，
距離計算のパラメータ設定が推定精度にどのような影響を与えるのか詳しく知りたい．
まずは距離を入れることができると色々と役立ちますね．
今日の講義ではマーク付き点過程について学習した．
神経雪崩現象が非常に印象的だった．
神経雪崩現象はとても面白いですよ．
今回の講義では，
点過程時系列の解析と神経系における学習について学んだ．
神経雪崩現象における経過時間[s]と発火したニューロンの関係を示したグラフを通して，
ほぼ同一時刻に多数のニューロンが同時発火していることから，
ニューロン同士の強い結合関係を読み取ることができた．
また，
経過時間のスケールを[ms]として細かくしたときに，
発火のタイミングにわずかなずれが生じていることから，
ニューロン間の直列的で伝播的なつながりを感じることができ，
その点についても興味深いと感じた．
色々と考えてみてくれていますね．その通りですね．
よく理解してくれていると思います．
生物の脳における学習では，
NNのように教師ありで学習則などを用いているわけではないのに，
各ニューロンの振る舞いによる創発により視覚情報の処理から感情まで，
様々な機能が獲得されているのが興味深いと思いました．
また，
経験を通じて領域ごとに役割が分化しつつ，
相互の繋がりが強化される過程で重要な機能が破壊されないのは，
進化の過程で獲得した形態と学習のバランスによるものなのか，
仕組みが気になりました．
いいコメントですね．次回議論しましょう．
本日の講義を通じて，
微視的な学習則であるシナプス可塑性（STDP）が，
巨視的な神経雪崩現象を創発するという複雑系の振る舞いについて理解を深めることができた．
単純な微視的ルールで，
システム全体が自然とそのような状態になる点は，
興味深かった．
いいコメントですね．次回触れましょう．
今回の講義では，
神経活動を点過程として捉えることでスパイクの時間構造が重要になることを理解した．
また，
スパイク列の類似度から神経回路の結合を推定できるという発想が興味深く，
STDP のようにスパイクの前後関係が学習や記憶の成立につながる点も印象に残った．
スパイクの発生したタイミングがとても重要ということですね．
今日の講義では，
ニューロンの発火を点過程として扱い，
スパイク列を単なる連続信号ではなく，
発火時刻そのものの集合として扱うことで，
神経活動を数学的に解析しやすくなるという考え方が新鮮だった．
また，
株価の取引時刻や地震のマグニチュードのような，
全く異なる領域にも点過程の枠組みが使われているのを知り，
スパイク解析が応用範囲の広い手法だということを実感した．
また，
spike time metricでは，
挿入・削除・時間移動にそれぞれコストを設定し，
スパイク列同士の“距離”を測るという考え方が面白かった．
距離を定義することで比較が可能になるところが，
統計的手法とのつながりを感じた．
また，
生物学的な記銘・保持・想起のメカニズムを，
ニューロン数やシナプス数，
スパイク効率という具体的な要素で説明できることが興味深かった．
ただ抽象的な脳の働きではなく，
神経回路網の構造そのものが関係しているという視点が理解できた．
理解できましたね．脳は奥が深いですね．
連続的な膜電位の変化を「点過程」として離散化し捉えることで，
時間情報の損失を最小限に留めつつ数理的な解析が可能になるという視点は非常に合理的であると感じた．
特に，
講義後半で扱われた「神経雪崩現象」において，
スパイク活動の規模や継続時間がべき乗則に従うという事実は，
脳が臨界状態という特殊なバランスの上で効率的な情報処理を実現していることが示唆されていて，
興味深い内容だと思った．
スパイク間距離という局所的な指標と，
雪崩現象という巨視的なダイナミクスとの間に，
解析上の相互関係や新たな応用可能性があるのか，
今後さらに考察を深めたいと感じた．
良いコメントだと思います．次回触れましょう．
スパイクが日本語でどういう意味なのか気になって調べたら「発火」でした！
発火については説明しましたよね．
神経細胞が活動電位を出す，つまり発火ですが，
出てくるのがスパイクです．発火はfireです．
また，スパイクを出すはemit も使います．
生物の認知機能だったり，
運動機能が反復動作によって改善されていくのは，
シナプス可塑性によるものなのですね．
ペットを飼ってて思ったことがあります．
神経雪崩が過剰に発生してしまうことで，
てんかん発作が起きてしまうのかなと疑問が湧いてきました．
いいコメントですね．次回触れましょう．
点過程の解析について普段の連続量に用いることができる統計的手法が使いづらいことを学んだ．
編集距離という概念も初めて知り今後統計をするうえで頭の隅に置いておきたいと思った．
距離の辞典を紹介したので，そちらも調べてみてください．