推导具有多房室神经元和非赫布可塑性的神经网络的规范框架
神经元与认知
2023-08-04 v2 神经与进化计算
机器学习
摘要
理解神经计算算法基础的一个成熟规范方法是从有原则的计算目标推导在线算法，并评估其与解剖学和生理学观测的兼容性。相似性匹配目标已作为成功的起点，用于推导映射到具有点神经元和赫布/反赫布可塑性的神经网络（NNs）的在线算法。这些 NN 模型解释了许多解剖学和生理学观测；然而，这些目标的计算能力有限，且所推导的 NN 不能解释大脑中普遍存在的多房室神经元结构与非赫布形式的可塑性。在本文中，我们统一并推广了相似性匹配方法的近期扩展，以处理更复杂的目标，包括一大类可表述为对称广义特征值问题或非负矩阵分解问题的无监督和自监督学习任务。有趣的是，从这些目标推导出的在线算法自然映射到具有多房室神经元和局部非赫布学习规则的 NN。因此，这一相似性匹配方法的统一扩展提供了一个规范框架，有助于理解大脑中普遍存在的多房室神经元结构和非赫布可塑性。
引用
@article{arxiv.2302.10051,
title = {Normative framework for deriving neural networks with multi-compartmental neurons and non-Hebbian plasticity},
author = {David Lipshutz and Yanis Bahroun and Siavash Golkar and Anirvan M. Sengupta and Dmitri B. Chklovskii},
journal= {arXiv preprint arXiv:2302.10051},
year = {2023}
}
备注
Added: Figure 1, sections 2, 3