基于神经组件的因果学习

神经组件——即一起放电并通过共同激活而增强的神经群——是否能够学习变量之间因果影响的方向？虽然已被证明是分类、解析和规划的计算通用基质，但神经组件尚未被证明能够内化因果方向性。我们展示，神经组件的内在操作——投影、局部塑性控制和稀疏获胜选择——足以实现方向性学习。我们引入 DIRECT (DIRectional Edge Coupling/Training)，一种在自适应增益计划下共同激活源和目标组件以内化有向关系的机制。不同于基于反向传播的方法，DIRECT 仅依赖于局部塑性，使所得因果主张在机制层面可审计。我们的发现通过双读出验证策略得到验证：(i) 突触强度不对称性，衡量前向与逆向链接之间激活权格的显现；(ii) 功能传播重叠，量化有向信号流的可靠性。在多个领域，该框架在受监督、已知结构setting下实现完美的结构恢复。这一结果表明，神经组件是生物可信动力学与形式因果模型之间的可审计桥梁，提供了一个“即设计即可解释”的框架，其中因果主张可追溯到具体的神经获胜者和突触不对称性。