感知器网络中输入到输出变换的性质
神经元与认知
2013-12-05 v1
摘要
大脑中某些神经元网络的信息处理可被视为二元向量的映射，其中输入神经元的 1（脉冲）和 0（无脉冲）被转换为输出神经元的脉冲和无脉冲。此类映射的一个简单但基本的特征是其如何变换输入向量之间的距离。特别是，给定输入向量之间的特定距离，输出向量之间的平均距离是多少？利用组合方法，我们找到了具有二元权重的感知器网络解决此问题的精确解。所得公式允许精确分析网络连接性和神经元兴奋性如何影响神经元脉冲向量之间距离的变换。作为应用，我们考虑了一个简单的海马体信息处理网络模型，海马体是大脑中 critically implicated in learning and memory（关键参与学习和记忆）的区域，并发现了一组参数组合，使得输出神经元能最有效地分辨相似和不同的输入。输出神经元阈值值的降低（在生物网络中可能与抑制减弱有关）损害了分辨的最优性。
引用
@article{arxiv.1312.1206,
title = {On the properties of input-to-output transformations in networks of perceptrons},
author = {Andrey Olypher and Jean Vaillant},
journal= {arXiv preprint arXiv:1312.1206},
year = {2013}
}