Asymptotic description of stochastic neural networks. I. Existence of a large deviation principle
Résumé
We study the asymptotic law of a network of interacting neurons when the number of
neurons becomes infinite. The dynamics of the neurons is described by a set of stochastic
differential equations in discrete time. The neurons interact through the synaptic weights
that are Gaussian correlated random variables. We describe the asymptotic law of the
network when the number of neurons goes to infinity. Unlike previous works which made
the biologically unrealistic assumption that the weights were i.i.d. random variables, we
assume that they are correlated. We introduce the process-level empirical measure of the
trajectories of the solutions into the equations of the finite network of neurons and the
averaged law (with respect to the synaptic weights) of the trajectories of the solutions into
the equations of the network of neurons. The result (Theorem 3.1 below) is that the image
law through the empirical measure satisfies a large deviation principle with a good rate
function. We provide an analytical expression of this rate function in terms of the spectral
representation of certain Gaussian processes.
Nous considérons un réseau de neurones décrit par un système d’équations différentielles
stochastiques en temps discret. Les neurones interagissent au travers de poids synaptiques
qui sont des variables aléatoires gaussiennes corrélées. Nous caractérisons la loi asymptotique
de ce réseau lorsque le nombre de neurones tend vers l’infini. Tous les travaux
précédents faisaient l’hypothèse, irréaliste du point de vue de la biologie, de poids
indépendants. Nous introduisons la mesure empirique sur l’espace des trajectoires solutions
des équations du réseau de neurones de taille finie et la loi moyennée (par rapport aux
poids synaptiques) des trajectoires de ces solutions. Le résultat (théorème 3.1 ci-dessous)
est que l’image de cette loi par la mesure empirique satisfait un principe de grandes
déviations avec une bonne fonction de taux, dont nous donnons une expression analytique
en fonction de la représentation spectrale de certains processus gaussiens.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...