全连接和稀疏网络中通过STDP存储相位编码模式的研究：网络容量的探讨
摘要：存储和检索相位编码模式作为稳定动力吸引子，在循环神经网络中，对于模拟和间隔和火锋模型进行了研究。突触强度由基于脉冲时态可塑性的学习规则确定，具有依赖于前和后突触活动之间相对时序的非对称时间窗口。我们存储多个模式并研究网络容量。 对于模拟模型，我们发现网络容量与网络大小呈线性比例，检索状态的容量和振荡频率都依赖于学习时间窗口的不对称性。除了完全连接的网络，我们还研究了稀疏网络，其中每个神经元仅与小数量的其他神经元（z << N）连接。连接可以是短程的，位于规则点阵上的相邻神经元之间，也可以是长程的，位于随机选择的神经元对之间。我们发现，少量的长程连接能够增强网络的容量。这表明小世界网络拓扑是最优的，它在长程连接的成本和容量增加之间进行权衡。 在间隔和火锋模型中也观察到了存储和检索多个相位编码模式的关键结果。研究了完全连接的间隔网络的容量，以及检索状态的振荡频率与窗口不对称性之间的关系。
作者：S. Scarpetta, A. de Candia, F. Giacco
论文ID：1009.1286
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2010-09-08