结合STDP和稳态可塑性的生物梯度下降预测方法
神经元与认知
2013-06-12 v2 神经与进化计算
动力系统
摘要
识别、形式化并组合实现已知脑功能（如预测）的生物机制，是当前理论神经科学研究的一个主要方面。本文中，脉冲时序依赖可塑性（STDP）和稳态可塑性机制通过一种原创的数学形式化方法相结合，被证明能够将循环神经网络塑造为预测器。经过严格的数学处理，我们证明它们实现了网络活动与其刺激之间距离的在线梯度下降。收敛到平衡态（此时网络能够自发地重现或预测其刺激）不会遇到循环神经网络学习中通常出现的分岔问题。
引用
@article{arxiv.1206.4812,
title = {A biological gradient descent for prediction through a combination of STDP and homeostatic plasticity},
author = {Mathieu Galtier and Gilles Wainrib},
journal= {arXiv preprint arXiv:1206.4812},
year = {2013}
}
备注
36 pages, 3 figures