局部树突平衡实现了尖峰神经元网络中高效表示的学习
摘要：神经网络如何通过局部可塑性机制高效地表示复杂和高维的输入呢？传统的表示学习模型假设输入权重通过成对的类似Hebbian可塑性学习得到。然而，我们发现成对的类似Hebbian可塑性只适用于对神经动力学和输入统计具有不切实际要求的情况。为了克服这些限制，我们从第一原理导出了一种基于电压依赖的突触可塑性规则的学习方案。在这个方案中，抑制学习通过在单个树突分支中局部平衡兴奋性输入，从而可以调节兴奋性突触可塑性以实现高效的表示学习。通过模拟实验证明，即使在复杂、高维和相关的输入以及存在抑制性传递延迟的情况下，这种学习方案也能稳健地工作，而Hebbian类似的可塑性则会失败。我们的结果直接关联了树突的兴奋抑制平衡和电压依赖的突触可塑性，这在体内观察到，并且暗示两者对于表示学习都是至关重要的。
作者：Fabian Alexander Mikulasch, Lucas Rudelt, Viola Priesemann
论文ID：2010.12395
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-10-04