基于铥调谐的最优解码极限
机器学习
2026-02-26 v1 人工智能
摘要
感官信息通过大脑的 successive 处理阶段传播，其中神经元之间的突触权重模式决定了下游神经元如何解码来自上游群体的信息。虽然优化的突触连接可增强信息传输，但需要精确的权重调谐。近期证据表明存在显著的突触波动，这引出两个根本性问题：突触粗调谐如何影响信息传输？神经系统能采取哪些策略以应对突触波动而维持可靠的通信？我们通过分析两种解码方案下的信号噪声比（）来回答这些问题：一种是朴素的群体平均，另一种是优化的线性解码器。对于朴素解码器，我们发现对突触精确度不太敏感，因为性能已经受来自神经元响应中相关噪声的限制。对于最优解码器，我们识别了三个不同的调谐 regime。 在弱铥调谐下，随着群体规模 呈线性比例增长。在适度铥调谐时，比例增长变为亚线性。在强铥调谐时，饱和，无法通过招募更大的群体来提高。这一限制即使包含馈前或循环网络结构也依然存在。这些发现表明，在生物学上相关的强铥调谐 regime 中，朴素和最优解码器可以实现相当相似的性能。该分析表明，在伴随持续突触重塑的情况下，有效的读取器受限于一个与朴素解码器对齐的不变低维流形，可能指向一种鲁棒神经计算的基本原则。
引用
@article{arxiv.2602.21757,
title = {Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction},
author = {Xiannan Huang and Quan Yuan and Chao Yang},
journal= {arXiv preprint arXiv:2602.21757},
year = {2026}
}