输入非线性可塑造超配对相关性并改善神经群体的信息传输

尽管近期对神经群体的记录显示存在超配对相关性，即高阶相关性（HOC），但我们对HOC如何从网络相互作用中产生以及它们如何影响编码信息知之甚少。在此，我们表明输入非线性意味着自旋玻璃型统计模型中的HOC。然后，我们讨论了一个具有参数化配对和高阶相互作用的此类模型，揭示了超配对相互作用增加给定刺激类型与群体响应之间互信息的条件。对于联合高斯刺激，仅当神经发放率被限制为低值时，通过塑造输出HOC才能改善编码性能。对于具有偏斜概率分布的刺激（如自然图像亮度），所有发放率下的性能均得到改善。我们的工作揭示了神经输入的整合、刺激统计和群体编码规范理论之间的惊人联系。此外，它表明包含超配对相互作用可以改善玻尔兹曼机在机器学习和信号处理应用中的性能。