针对神经相似性的生物学上可行的时间信用分配规则：以 e-prop 为例
神经与进化计算
2025-06-10 v1 人工智能
神经元与认知
摘要
理解大脑如何学习可通过研究生物学上可行的学习规则来获得启发。这些规则通常会近似梯度下降学习，以尊重生物学约束（如局部性），必须满足两个关键标准才能被视为合适的脑模型：(1) 良好的神经科学任务性能，(2) 与神经记录的一致性。虽然已有大量研究评估了第一个标准，但第二个标准仍未得到充分考察。本研究在著名神经科学数据集上采用 Procrustes 分析等方法，证明存在一种生物学上可行的学习规则——即基于梯度截断且在广泛范围的任务中展示出多样性的 e-prop——在匹配任务准确率时，可实现与反向传播通过时间 (BPTT) 相当的神经数据相似性。我们的发现还表明，模型架构和初始条件对决定神经相似性的作用可能大于具体的学习规则。此外，我们观察到 BPTT 训练的模型及其生物学上可行的对手在相当的准确率下表现出相似的动力学特征。这些结果凸显了在开发生物学上可行的学习规则方面取得的显著进展，突显其在实现竞争任务性能和神经数据相似性方面的潜力。
引用
@article{arxiv.2506.06904,
title = {Can Biologically Plausible Temporal Credit Assignment Rules Match BPTT for Neural Similarity? E-prop as an Example},
author = {Yuhan Helena Liu and Guangyu Robert Yang and Christopher J. Cueva},
journal= {arXiv preprint arXiv:2506.06904},
year = {2025}
}