受限预测编码作为大脑皮层层级的一种生物学合理模型。
摘要：预测编码已成为神经计算的一种有影响力的规范模型，并有许多扩展和应用。因此，人们已经将很多努力放在将PC与皮层进行准确映射，但仍存在一些未解决或争议的问题。特别是，目前的实现通常涉及单独的值和错误神经元，并且需要在不同的脑区之间具有对称的前向和后向权重。这些特征尚未经过实验证实。在这项工作中，我们展示了在线性模型中PC框架可以被修改以与大脑皮层层次结构保持一致，并与经验观察相符合。通过对隐藏层神经元活动施加一种启发式约束，我们推导出PC目标的一个上界。优化这个上界导致一个与原始目标有相同性能并映射到一种生物合理的网络的算法。这个网络的单元可以被解释为具有非Hebbian学习规则的多组分神经元，并与最近的实验发现非常相似。存在一些先前的模型也能捕捉到这些特征，但它们是现象学的，而我们的工作是规范推导。我们推导出的网络不涉及一对一的连通性或信号复用，这是现象学模型所需的，表明这些特征对皮层学习不是必要的。我们算法在简化的线性情况下的规范性质允许我们证明框架的一些有趣属性，并对我们网络组件的计算角色进行分析理解。我们网络的参数在金字塔神经元的多组分模型中具有自然解释作为生理量，为PC和在皮层中进行的实验测量结果提供了具体的联系。
作者：Siavash Golkar, Tiberiu Tesileanu, Yanis Bahroun, Anirvan M. Sengupta, Dmitri B. Chklovskii
论文ID：2210.15752
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-03-07