戴尔神经网络的计算和学习优势
摘要：达尔法则意味着生物神经网络由兴奋性或抑制性神经元组成。尽管达尔法网络的可能架构数量远远少于非达尔法网络，但通过达尔法网络进行的计算和功能影响大部分是未知的。在这里，我们使用复发性尖峰神经网络和基于速率的网络模型，惊人地发现，尽管达尔法网络存在结构限制，它们可以以非常高的精度近似于非达尔法网络执行的计算。此外，我们发现，达尔法网络对突触噪声具有更强的功能鲁棒性。然后，我们展示了与非达尔法网络不同，达尔法网络可以通过调整单个神经元特征高效学习，几乎和调整单个突触权重的学习一样好，这表明了一种更简单和更符合生物学的学习机制。因此，我们提出，除了架构上的简单性外，达尔法法则为生物网络提供了计算和学习的益处，并为构建和训练具有生物启发的人工神经网络提供了新的方向。
作者：Adam Haber and Elad Schneidman
论文ID：2210.05961
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-10-13