通过递回皮层电路实现的流形变换增强熟悉刺激的稳健编码

在仆人动物的层次化视觉系统中，观察到的一种普遍现象是随着重复暴露导致的视觉刺激表征稀疏化，表现为 population tuning 曲线的锐化以及在 population 水平上抑制神经响应。在本研究中，我们在一个早期视觉皮层电路模型中探讨了这些神经生理学观察的计算含义和电路机制。我们发现，这种由 BCM Hebbian 学习塑造的递回神经电路也能再现这些现象。最终得到的电路在编码熟悉刺激时对噪声更稳健。对神经响应流形几何的分析表明，递回计算和熟悉学习会变换 response �形和神经动力学，从而在噪声方面实现更稳健的编码并实现更好的刺激判别。该预测得到初步生理证据的支持。熟悉训练增加了 network dynamics 中慢模式与所学习图像的不变特征对齐。这些发现揭示了这些快速塑性机制如何即使在层次化视觉系统中的早期视觉区也能提高情境视觉处理能力。