相干噪声在尖峰神经网络中实现概率序列回放
摘要：动物在面对模糊或不确定的线索时依赖不同的决策策略。根据环境，决策可能会偏向于过去最常见的事件，或者更具探索性。一种与认知相关的特殊类型的决策是对模糊线索的顺序记忆回忆。先前开发的一种神经网络模型通过局部、受生物启发的可塑性规则无监督地学习复杂的高阶序列。在面对模糊线索时，该模型确定性地回忆出在训练中最频繁出现的序列。在这里，我们提出了该模型的扩展，使之能够实现一系列不同的决策策略。在该模型中，通过向神经元提供噪声来生成探索性行为。由于该模型依赖群体编码，不相关的噪声会平均掉，而回忆的动态仍然是确定性的。在局部相关噪声存在的情况下，通过大噪声幅度无需损害模型性能的情况下避免了平均效应。我们研究了在自然界中发生的两种形式的相关噪声：共享突触背景输入和随机将刺激锁定到网络活动的时空振荡。根据噪声特性，网络采用各种回放策略。因此，本研究提供了解释学习序列的统计学对决策制定的潜在机制，以及如何在学习后调整决策策略的方法。
作者：Younes Bouhadjar, Dirk J. Wouters, Markus Diesmann, Tom Tetzlaff
论文ID：2206.10538
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-05-10