提升人工神经网络的适应性与持续学习能力：来自多神经调制动力学的启示
神经元与认知
2026-03-03 v3 机器学习
神经与进化计算
摘要
持续的适应性学习，即适应环境并不断提升性能的能力，是自然智能的标志。生物有机体在适应多变环境的同时，在获取、转移和保留知识方面表现出色，这使其成为人工神经网络（ANN）的灵感来源。本研究探讨了神经调控（生物系统中学习的基础构件）如何帮助解决灾难性遗忘并增强ANN在持续学习中的鲁棒性。在多巴胺（DA）、乙酰胆碱、5-羟色胺（5-HT）和去甲肾上腺素（NA）等神经调制物的驱动下，大脑中的神经调控过程在多个尺度上运作，通过从局部突触可塑性到全局网络范围适应性等机制，促进对环境变化的动态响应。重要的是，神经调制物之间及其在调节感觉和认知过程中的相互关系比以前预期的更为复杂，表现出“多对一”的神经调制物到任务的映射。为了启发具有神经调控感知的学习规则，我们强调了：多神经调控相互作用如何丰富单一神经调控物驱动的学习；神经调控物在多个时空尺度上的影响；以及相应地，在ANN中近似和整合神经调控学习过程的策略。为了说明这些原理，我们提出了一项概念研究，展示了受神经调控启发的机制（如DA驱动的奖励处理和基于NA的认知灵活性）如何增强ANN在Go/No-Go任务中的性能。通过多尺度神经调控，我们旨在弥合生物学习与人工学习之间的差距，为具有更大灵活性、鲁棒性和适应性的ANN铺平道路。
引用
@article{arxiv.2501.06762,
title = {Improving the adaptive and continuous learning capabilities of artificial neural networks: Lessons from multi-neuromodulatory dynamics},
author = {Jie Mei and Alejandro Rodriguez-Garcia and Daigo Takeuchi and Gabriel Wainstein and Nina Hubig and Yalda Mohsenzadeh and Srikanth Ramaswamy},
journal= {arXiv preprint arXiv:2501.06762},
year = {2026}
}