在循环神经网络中将感觉与运动模式编码为时间不变轨迹
神经元与认知
2017-08-15 v2
摘要
大脑处理和存储的大部分信息本质上是时变的——例如，一个口语单词或手写签名是由其在时间上的展开方式所定义的。然而，神经回路如何编码复杂的时变模式仍不清楚。我们表明，通过调整循环神经网络（RNN）的权重，它可以识别并转录口语数字。该模型阐明了皮层网络中的神经动力学如何解决三个基本挑战：首先，将多个时变的感觉和运动模式编码为稳定的神经轨迹；其次，跨相关空间特征进行泛化；第三，识别以不同速度播放的相同刺激——我们表明，这种时间不变性之所以出现，是因为循环动力学产生了具有适当调制角速度的神经轨迹。总之，我们的结果产生了可检验的预测，即循环网络如何使用不同的机制来泛化复杂时变刺激的相关空间和时间特征。
引用
@article{arxiv.1701.00838,
title = {Encoding Sensory and Motor Patterns as Time-Invariant Trajectories in Recurrent Neural Networks},
author = {Vishwa Goudar and Dean Buonomano},
journal= {arXiv preprint arXiv:1701.00838},
year = {2017}
}