Jan, 2018

许可证痕迹和行为时间尺度上的可塑性： neoHebbian 三因素学习规则的实验支持

PDF
TL;DR论文综述了三因素突触可塑性学习规则的四个关键实验，支持突触可塑性学习规则中的突触资格痕迹在时间尺度上的作用和第三因素的作用，以及乃伊 - 赫布三因素学习规则的生物实现。
发现论文，激发创造
  • 用于精确动作电位触发的最优时序依赖可塑性

    采用监督式学习方法，根据突触后的发放时刻的概率通过梯度上升优化突触效能，预测神经元发放行为的最优化策略与 STDP 很相似，其衰减和增强均基于不同的突触后和突触前信号的时序差异，并根据不同约束条件的实现方式，分析了突触效能的抑制及其幅度。

    Feb, 2005

  • 神经元为中心的赫布学习

    脑的学习机制中最引人注目的能力之一是通过结构和功能可塑性对其突触进行适应。然而，大多数用于人工神经网络的可塑性模型专注于突触而非神经元，因此优化了突触特定的 Hebbian 参数。为了克服这个限制，我们提出了一种新的可塑性模型，称为神经元为中心的 Hebbian 学习 (NcHL)，其中优化专注于神经元特定的 Hebbian 参数。和 ABCD 规则相比，NcHL 将参数数量从 5W 减少到 5N，其中 W 和 N 分别为权重和神经元的数量，通常 N 远小于 W。在两个机器人运动任务的实验证明，尽管使用的参数数量少得多（约为 97 倍），但 NcHL 与 ABCD 规则的性能相当，因此具有可扩展的可塑性。

    Feb, 2024

  • 脉冲神经网络中的传播延迟学习

    本文探索了一种新的局部学习规则，该规则适用于脉冲神经网络，其中脉冲传播时间会发生经验依存性的可塑性更改，通过实现分类精度的提高和记忆能力的扩展，证明了该方法的潜力。

    Oct, 2022

  • 抑制性神经元环路可控制突触可塑性的符号

    神经元电路如何实现学分分配是系统神经科学中一个未解决的核心问题，本文通过一种在自适应控制理论框架内得出的可行的微电路模型和 Hebb 学习规则展示了如何解决这一矛盾，同时对兴奋性可塑性的抑制调节提出了具体预测。

    Oct, 2023

  • 基于 Hebbian 和梯度的可塑性实现 RNNs 的强大记忆与快速学习

    本文提出了一种使用可塑性规则的基于循环神经网络的模型，能够自适应地根据不断变化的经验调整参数，并在关联学习和有限次学习等方面表现出色，其中全局梯度可塑性规则比局部 Hebbian 可塑性规则能更好地推断底层映射。

    Feb, 2023

  • 随机网络中基于赫比塞塑性的元学习

    受生物神经元可塑性启发，我们提出了一种搜索方法，通过寻找突触特异的赫比学习规则，使网络能在智能体的生命周期内持续自组织其权重，从而实现在一些强化学习任务中取得成功，同时对多种感官模态处理方式具有适应性。

    Jul, 2020

  • 秩序中的秩序：结构化神经元的循环网络中发育和学习的相互作用

    通过应用局部、始终开启的可塑性规则，我们能够在由两个群体组成的递归网络中学习复杂序列，我们的模型具有资源高效性，仅需少量神经元即可学习复杂序列，我们通过鸟鸣学习的模拟中展示了这些特点，在该模拟中，我们的网络首先学习了一个长的非马尔可夫序列，尽管存在外部干扰，它们能够稳健地复现此序列。

    Feb, 2024

  • 网络可塑性作为贝叶斯推断

    通过统计学习理论的通用结论，我们提出了一个模型，即通过采样网络结构的后验分布，突触可塑性和神经元网络可以进行概率推断，这个模型比现有的模型更好地解释了网络可塑性的随机特性对神经可塑性的影响。

    Apr, 2015

  • 通过强化学习和无监督学习的融合控制神经网络的突触可塑性

    提出了一种基于突触可塑性动态的学习规则，该规则通过融合强化学习和非监督学习模拟误差反馈机制和两个重要机制，包括错误反馈系统以及非监督学习。

    Mar, 2023

  • 使用脉冲神经网络演化学习强化学习任务

    本研究基于大自然神经系统的启发，应用突触可塑性规则训练带有局部信息的脉冲神经网络，使其适用于神经形态硬件的在线学习。其目的在于通过应用进化算法，使得各种不同任务的学习过程变得更加简单，通过提供一组各种局部信号、数学算子和全局奖励信号来找到最佳学习规则，我们发现通过这种方法可以成功解决 XOR 和车杆任务，并发现新的学习规则优于文献中的基准规则。

    Feb, 2022