×
埃里克·谢·布朗;马克·吉尔泽拉特（Mark S.Gilzenrat）。;乔纳森·科恩。

多层网络决策优化：蓝斑的作用。 （英语） Zbl 1160.68515号

神经计算。 20，第12期，2863-2894（2008）.
总结：先前的理论工作表明，单层神经网络可以实现简单的、两种可选强制选择（2AFC）任务的最优决策过程。然而，哺乳动物的大脑很可能由多层网络组成，这就提出了这样一个问题：在这样的架构中，是否以及如何近似最佳性能。在这里，我们提出了理论工作，表明去甲肾上腺素能核蓝斑（LC）可能有助于优化大脑中的2AFC决策。这是基于这样的观察结果，即LC的神经元在决策任务中出现显著刺激后选择性地放电，相应的去甲肾上腺素释放可以瞬间增加皮层处理单元的反应性或增益。我们描述了研究这种增益变化在优化2AFC决策性能中的作用的计算模拟。在我们建模的任务中，假设没有预先提示或刺激开始时间的知识。
根据一段时间内正确回答的比率（奖励率）来评估绩效。我们首先给出了一个单层模型的结果，该模型累积（集成）了感官输入，并将决策过程实现为阈值交叉。增益瞬态表示LC的调制效应，由该层中的单独阈值交叉驱动。我们对所有自由参数进行优化，以确定该模型可实现的最大回报率，并将其与增益保持不变时的最大回报速率进行比较。我们发现，对于这个单层模型，动态增益机制不会产生任何改进。
然后我们研究了一个两层模型，其中第一层中的竞争感官累加器（能够执行与任务相关的决策）将活动传递给第二层中的响应累加器。再次，我们将第一（决策）层中的阈值交叉引起LC响应（以及伴随的增益增加）的版本与模型的固定增益版本进行比较。在这里，我们发现对LC相位响应建模的增益瞬变使回报率提高了12%至24%。此外，我们还表明，这些增益瞬变的定时特性与最近实验研究中报告的有关LC触发模式的观察结果一致。这为LC优化多层网络中2AFC决策过程的假设提供了聚合证据。

引用于2文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
92C20美元 神经生物学
68T20型 人工智能背景下的问题解决（启发式、搜索策略等）

关键词：

最优决策过程;多层网络

软件：

子乐章
PDF格式BibTeX公司 XML格式引用
\textit{E.Shea-Brown}等人，《神经计算》。20，第12号，2863--2894（2008；Zbl 1160.68515）
全文： 内政部

参考文献：

[1] DOI:10.1146/anurev.neuro.28.061604.135709·doi:10.1146/annurev.neuro.28.061604.135709
[2] Aston-Jones G.，J.神经科学。第14页，4467页–（1994年）
[3] 数字对象标识码：10.1037/0033-295X.113.4.700·doi:10.1037/0033-295X.113.4.700
[4] 内政部：10.1111/j.1460-9568.2004.03526.x·文件编号：10.1111/j.1460-9568.2004.03526.x
[5] DOI:10.1016/j.tins.2005.09.002·doi:10.1016/j.tins.2005.09.002
[6] 内政部：10.1142/S0218127405012478·兹比尔1069.92004 ·doi:10.1142/S0218127405012478
[7] 内政部：10.1142/S0219493701000102·Zbl 1060.92019年 ·doi:10.1142/S0219493701000102
[8] DOI:10.1523/JNEUROSCI.2446-04.2004·doi:10.1523/JNEUROSSCI.2446-04.2004年
[9] 数字对象标识码：10.1037/0033-295X.97.3.332·doi:10.1037/0033-295X.97.3.332
[10] 内政部：10.1098/rstb.2007.2098·doi:10.1098/rstb.2007.2098
[11] 内政部：10.1080/09548980601004024·网址：10.1080/09548980601004024
[12] DOI:10.1016/S0893-6080（02）00055-2·doi:10.1016/S0893-6080（02）00055-2
[13] DOI:10.1016/S0896-6273（02）00971-6·doi:10.1016/S0896-6273（02）00971-6
[14] 内政部：10.1016/0893-6080（88）90021-4·doi:10.1016/0893-6080（88）90021-4
[15] 内政部：10.1126/科学274.5286.427·doi:10.1126/science.274.5286.427
[16] Heeger D.J.，《神经科学杂志》，第19页，第7162页–（1999年）
[17] DOI:10.1073/pnas.81.10.3088·Zbl 1371.92015年 ·doi:10.1073/pnas.81.10.3088
[18] 内政部：10.1038/nn1722·doi:10.1038/nn1722
[19] DOI:10.1126/科学.1104171·doi:10.1126/science.1104171
[20] 数字对象标识码：10.1037/0033-295X.86.4.287·doi:10.1037/0033-295X.86.4.287
[21] McClure S.，《神经科学年度评论》，第24页，167页–（2005）
[22] 内政部：10.1093/comjnl/7.4.308·兹比尔0229.65053 ·doi:10.1093/comjnl/7.4.308
[23] DOI:10.1073/pnas.0604801103·doi:10.1073/pnas.0604801103
[24] 数字对象标识码：10.1037/0033-295X.85.2.59·doi:10.1037/0033-295X.85.2.59
[25] 内政部：10.3758/BF03194580·doi:10.3758/BF03194580
[26] 数字对象标识码：10.1037/0033-295X.106.2.261·doi:10.1037/0033-295X.106.2.261
[27] DOI:10.1016/S0960-9822（01）00363-3·doi:10.1016/S0960-9822（01）00363-3
[28] DOI:10.1016/S0896-6273（01）00304-X·doi:10.1016/S0896-6273（01）00304-X
[29] 内政部：10.1016/S0959-4388（03）00039-4·doi:10.1016/S0959-4388（03）00039-4
[30] 数字对象标识码：10.1073/pnas.93.2.628·doi:10.1073/pnas.93.2.628
[31] DOI:10.1146/anurev.neuro.22.1.241·doi:10.1146/annurev.neuro.22.1.241
[32] 内政部：10.1126/science.2392679·doi:10.1212/科学2392679
[33] Shadlen M.N.，J.神经生理学86页，1916–（2001）
[34] 内政部：10.1016/j.neunet.2006.05.038·Zbl 1103.68726号 ·doi:10.1016/j.neunet.2006.05.038
[35] DOI:10.1016/S0042-6989（97）00183-1·doi:10.1016/S0042-6989（97）00183-1
[36] DOI:10.1007/BF02289729·Zbl 0114.11501号 ·doi:10.1007/BF02289729
[37] 数字对象标识码：10.1126/science.283.5401.549·doi:10.1126/science.283.5401.549
[38] DOI:10.1016/S0893-6080（02）00054-0·doi:10.1016/S0893-6080（02）00054-0
[39] 数字对象标识码：10.1037/0033-295X.108.3.550·doi:10.1037/0033-295X.108.3.550
[40] DOI:10.1016/S0006-8993（98）00117-6·doi:10.1016/S0006-8993（98）00117-6
[41] 数字对象标识码：10.1017/S0269915X05001023·doi:10.1017/S0269915X05001023
[42] DOI:10.1016/S0006-3495（72）86068-5·doi:10.1016/S0006-3495（72）86068-5
[43] 内政部：10.1523/JNEUROSCI.3733-05.2006·doi:10.1523/JNEUROSCI.3733-05.2006
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。