神经网络中突触可塑性的控制
神经与进化计算
2023-03-14 v1 机器学习
机器人学
摘要
大脑是一个非线性且高度递归的神经网络（RNN）。该 RNN 具有惊人的可塑性，支撑我们学习和执行复杂任务的卓越能力。然而，由于大脑的非线性本质以及确定每个突触对输出误差贡献的机制不明，学习极为复杂。此问题称为信用分配问题（CAP），是神经科学与人工智能（AI）中的基本挑战。尽管如此，在当前认知神经科学理解中，普遍认为反馈回路系统对突触可塑性起重要作用。受此启发，我们结合神经网络（NN）与非线性最优控制理论提出一种计算模型。所提框架涉及一种新的基于 NN 的 actor-critic 方法，用于模拟误差反馈回路系统及其在 NN 突触可塑性上的投影，以确保输出误差最小化。
引用
@article{arxiv.2303.07273,
title = {Control of synaptic plasticity in neural networks},
author = {Mohammad Modiri},
journal= {arXiv preprint arXiv:2303.07273},
year = {2023}
}
备注
This article is part of a new learning rule that shared to get feedback from researchers