突触平衡：一种能够在不牺牲任务性能的情况下显著提高神经网络噪声鲁棒性的生物可行的局部学习规则
摘要：一种增加神经动力学对非线性回馈神经网络中噪声的鲁棒性的新颖的、生物学上可行的局部学习规则的引入。我们的学习规则在不牺牲任务性能的情况下，实现了更高的噪声鲁棒性，并且不需要对特定任务的任何知识。可塑性动力学是作用于网络权重的可积动力学系统，维持着多个守恒量，尤其是网络整个的输入到输出轨迹的时间映射。我们学习规则的结局是每个神经元的传入和传出突触之间的突触平衡。这种突触平衡规则与许多已知的实验观察到的异突触可塑性的方面一致，并且还提出了新的实验可验证的关于个体神经元的传入和传出突触可塑性的预测。总的来说，这项工作提供了一种新颖的、实用的局部学习规则，完全保持了整体网络功能，并且在此过程中提供了神经生物学、正则噪声鲁棒网络工程和可积Lax动力学系统的新概念桥梁。
作者：Christopher H. Stock, Sarah E. Harvey, Samuel A. Ocko, Surya Ganguli
论文ID：2107.08530
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-10-12