泄漏效应与二阶动力学改善海马体RNN回放
机器学习
2026-02-23 v1 人工智能
神经元与认知
机器学习
摘要
生物神经网络（如海马体）可以内部生成类似于刺激驱动活动的"回放"。最近的计算模型的回放使用噪声循环神经网络（RNNs）进行路径积分。这些网络中的回放被描述为Langevin抽样，但新的噪声RNN回放修饰器已超越了这一描述。我们通过三种方式重新审视噪声RNN回放作为抽样，以理解或改进其功能：（1）在简单假设下，我们证明回放活动应遵循的梯度是时变的且难以估计，但 readily 激活在RNNs中使用隐藏状态泄漏进行回放的动机。（2）我们确认隐藏状态适应（负反馈）鼓励回放中的探索，但显示其带来非马尔可夫抽样且也减慢回放速度。（3）我们提出了通过隐藏状态动量实现噪声路径积分RNNs中 temporally 压缩回放的第一个模型，將其连接到欠阻尼Langevin抽样，并表明其与适应共同抵消减慢现象，同时保持探索。我们通过对2D三角形和T型迷宫路径的路径积分以及合成大鼠 place cell 活动的高维路径进行验证。
关键词
引用
@article{arxiv.2602.18401,
title = {Leakage and Second-Order Dynamics Improve Hippocampal RNN Replay},
author = {Josue Casco-Rodriguez and Nanda H. Krishna and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:2602.18401},
year = {2026}
}