Symbolic Diversity Can Increase as Predictive Structure Decreases in a Synthetic Recurrent Drive–Coupling Generator — code and derived data

Miary różnorodności sygnałów, takie jak złożoność Lempela–Ziva (LZc), są często odczytywane jako wskaźniki bogatszej lub lepiej zorganizowanej dynamiki. Stosując kontrolowany syntetyczny benchmark, badamy, czy różnorodność symboliczna, struktura predykcyjna i wydajność sieci rzeczywiście idą w parze. 32-kanałowy rekurencyjny generator nieliniowy został oceniony w siedmiu reżimach obejmujących dwuwymiarową rozmaitość wzbudzenia i sprzężenia, gdzie η (napęd stochastyczny) i g (sprzężenie rekurencyjne) są mnożnikami względnymi; generator pierwotny jest dezakłócony, tak że η wchodzi jedynie jako szum. Metrykami były LZc (różnorodność symboliczna), opóźniony, wzajemnoinformacyjny odpowiednik struktury predykcyjnej (wskaźnik LPI) oraz globalna wydajność grafu (organizacja sieci), z wariancją dynamicznego FC i metastabilnością Kuramoto jako elementami pomocniczymi.

W różnych reżimach LZc rosło monotonicznie, podczas gdy wskaźnik LPI-proxy spadał: różnorodność symboliczna i struktura predykcyjna stały się przeciwstawne (Spearman ρ = −1,0 w średnich reżimowych), więc większa różnorodność nie implikowała bogatszej dynamiki. Spadek ten przetrwał estymator nieparametryczny (KSG), pięć topologii sieci i surogaty z randomizacją fazową. Ablacja wykazała, że sama oś napędowa η odtwarza wzór, podczas gdy wydajność śledzi sprzężenie g tylko w wąskim paśmie; dyskretne przybliżenie Lyapunowa wyjaśnia to zachowanie. Co istotne, efekt jest lokalny i warunkowy, a nie uniwersalny: usunięcie zakodowanego na stałe skalowania η generatora wzmocniło je, a nie stworzyło, ale w różnych rodzinach było ono wytrzymałe tylko w sieciach rekurencyjnych i liniowych VAR, niestabilne pod względem skalowania w sprzężonych mapach logistycznych, sztuczne w oscylatorach Kuramoto (LZc nieaktywne) i nieobecne w wariancie pobudzania-hamowania o podłożu biologicznym, gdzie różnorodność i struktura predykcyjna współzmieniają się.

Zastosowanie identycznego zestawu danych do rzeczywistego, 16-kanałowego zbioru danych EEG snu i czuwania (560 epok) sfalsyfikowało nasze wstępnie zarejestrowane przewidywanie współzmienności: dysocjacja była obecna (ρ = −0,64; LZc wyższe w stanie czuwania, LPI-proxy wyższe w stanie snu). Jednakże, dane z randomizacją fazową i surogaty IAAFT odtworzyły ją równie silnie, jak rzeczywiste dane, więc jest ona w pełni uwzględniona w widmie mocy, bez składowej nieliniowej; archiwum nie zawiera identyfikatorów badanych i może być pojedynczym nagraniem. Jest to zatem spójna ilustracja drugiego rzędu, a nie niezależny dowód neurobiologiczny.

Przesłanie ma charakter metodologiczny: duża różnorodność sygnałów nie musi oznaczać bogatszej lub lepiej zorganizowanej dynamiki, a LZc należy powiązać z informacjami predykcyjnymi i miarami sieciowymi przed wyciągnięciem jakichkolwiek tego typu wniosków.