输入相关性阻碍平衡发放率网络中的混沌抑制与学习
神经元与认知
2023-01-11 v1 无序系统与神经网络
机器学习
混沌动力学
摘要
神经回路表现出复杂的活动模式，既有自发的，也有由外部刺激诱发的。神经回路中的信息编码和学习取决于时变刺激能在多大程度上控制自发网络活动。我们表明，在处于平衡状态的发放率网络中，对循环动力学的外部控制，即对内部产生的混沌变异性的抑制，强烈依赖于输入中的相关性。平衡网络的一个独特特征是，由于共同的外部输入会被循环反馈动态抵消，因此通过向每个神经元输入独立输入来抑制混沌，远比通过共同输入容易得多。为了研究这一现象，我们发展了一种非平稳动态平均场理论，该理论确定了对于共同输入和独立输入，活动统计量和最大李雅普诺夫指数如何依赖于输入的频率和幅度、循环耦合强度以及网络规模。我们还表明，不相关的输入有助于平衡网络中的学习。
引用
@article{arxiv.2201.09916,
title = {Input correlations impede suppression of chaos and learning in balanced rate networks},
author = {Rainer Engelken and Alessandro Ingrosso and Ramin Khajeh and Sven Goedeke and L. F. Abbott},
journal= {arXiv preprint arXiv:2201.09916},
year = {2023}
}