评估稳态可塑性在无结构神经元网络中学习计算预测误差的程度
神经元与认知
2022-02-21 v2
摘要
人们相信大脑部分地通过对其感觉刺激进行预测，并将对这些预测的偏离编码于“预测误差神经元”的活动中来运作。该原理定义了影响广泛的预测编码理论。动物借以学习计算并更新其预测的精确环路与可塑性机制尚属未知。稳态抑制性突触可塑性是一种有前景的、训练神经元网络执行预测编码的机制。稳态可塑性使神经元在响应与其训练所用输入紧密匹配的输入时维持稳定的基线放电率，但在响应与训练不匹配的刺激时放电率可偏离该基线。我们结合计算机模拟与数学分析，系统地检验随机连接的无结构网络在经稳态抑制性突触可塑性训练后计算预测误差的程度。我们发现仅靠稳态可塑性足以对平凡时间常数刺激计算预测误差，但对更真实的时间变化刺激则不足。我们使用塑性网络的均值场理论解释我们的发现，并刻画其适用的假设条件。
引用
@article{arxiv.2202.01521,
title = {Evaluating the extent to which homeostatic plasticity learns to compute prediction errors in unstructured neuronal networks},
author = {Vicky Zhu and Robert Rosenbaum},
journal= {arXiv preprint arXiv:2202.01521},
year = {2022}
}