×

监督峰值时间依赖性可塑性:用于函数逼近和决策的时空神经元学习规则。 (英语) Zbl 1448.92041号

小结:动物如何从经验中学习?它如何基于视觉系统等其他感官输入来训练传感器,如听觉或触觉系统?监督峰值时间相关塑性(监督STDP)是一个可能的答案。受监督的STDP使用另一个设备作为“监督员”的输入来训练一个设备。可以学习感官之间相当复杂的时间依赖关系。这里我们证明,在非常一般的条件下,有监督的STDP收敛到稳定的突触重量配置,从而重建初级感觉输入。

MSC公司:

92C20美元 神经生物学
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Andersen,P.(1987年)。长期增强:突出问题。J.-P.Changeux和M.Konishi(编辑),《学习的神经和分子基础》(第239-262页)。纽约:Wiley。
[2] Bottou,L.(1998)。在线学习和随机近似。D.Saad(Ed.),神经网络在线学习。剑桥:剑桥大学出版社·Zbl 0968.68127号
[3] Bottou,L.(2004)。随机学习。O.Bousquet和U.von Luxburg(编辑),机器学习高级讲座(第146-168页)。柏林:斯普林格·Zbl 1120.68426号
[4] Bürck,M.、Friedel,P.、Sichert,A.B.、Vossen,C.和van Hemmen,J.L.(2010)。单传感器和多传感器地图形成的最佳性。生物网络。,103, 1-20. , ·Zbl 1266.91089号
[5] Franosch J.-M.P.、Lingenheil,M.和van Hemmen,J.L.(2005)。青蛙是如何在黑暗中学习什么的。修订稿。,95, 078106. ,
[6] Gerstner,W.和van Hemmen,J.L.(1994)。E.Domany、J.L.van Hemmen和K.Schulten(编辑),《神经网络模型II》(第39-47页)。纽约:斯普林格。
[7] Gerstner,W.、Kempter,R.、van Hemmen,J.L.和Wagner H.(1996)。用于亚毫秒时间编码的神经元学习规则。《自然》,38376-81,
[8] Gütig,R.和Sompolinsky,H.(2006)。节拍管:一种学习基于棘波计时的决策的神经元。自然神经科学。,9, 420-428. ,
[9] Hertz,J.、Krogh,A.和Palmer,R.G.(1991)。介绍神经计算理论。加利福尼亚州雷德伍德市:Addison-Wesley。
[10] Kawato,M.(1990年)。用于监督学习的反馈错误学习神经网络。R.Eckmiller(编辑),《高级神经计算机》(第365-372页)。阿姆斯特丹:爱思唯尔,
[11] Kempter,R.、Gerstner,W.、van Hemmen,J.L.和Wagner,H.(1998)。提取振荡:具有噪声周期性尖峰输入的神经元一致性检测。神经计算机。,1987年至2017年10月,
[12] Kempter,R.、Leibold,C.、Wagner,H.和van Hemmen,J.L.(2001)。通过突触学习的轴突传播形成时间特征图。程序。国家。阿卡德。科学。美国,98,4166-4171,
[13] Kistler,W.M.、Gerstner,W.和van Hemmen,J.L.(1997)。将Hodgkin-Huxley方程简化为单变量阈值模型。神经计算。,9, 1015-1045. ,
[14] Knudsen,E.I.、Knudson,P.F.和Esterly,S.D.(1982)。早期听觉经验会改变谷仓猫头鹰的声音定位。《自然》,295238-240,
[15] Kühn,S.、Beyn W.-J.和Cruse H.(2007)。用由输入补偿单元组成的递归神经网络建模记忆函数:I.静态情况。生物网络。,96, 455-470. , ·2011年12月29日Zbl
[16] Kühn,S.和Cruse H.(2007)。用由输入补偿单元组成的递归神经网络建模记忆函数:II。动态情况。生物网络。,96, 471-486. , ·Zbl 1123.92004年
[17] Legenstein,R.、Naeger,C.和Maass,W.(2005)。神经元可以通过峰值时间依赖性可塑性学习什么?神经计算。,17, 2337-2382. , ·Zbl 1075.68635号
[18] Leibold,C.、Kempter,R.和van Hemmen,J.L.(2001)。谷仓猫头鹰大脑中的时间图形成。物理学。修订稿。,87, 248101. ,
[19] Markram,H.、Lübke,J.、Frotscher,M.和Sakmann,B.(1997年)。突触后AP和EPSP的重合对突触效能的调节。科学,275,213-215,
[20] Mu,Y.,&Poo,M.-M.(2006)。尖峰时间依赖性LTP/LTD在发育中的视网膜覆盖系统中调节视觉体验依赖性可塑性。神经元,50,115-125,
[21] Oja,E.(1982年)。作为主成分分析器的简化神经元模型。《数学生物学杂志》,15267-273·Zbl 0488.92012号
[22] Porr,B.和Wörgötter,F.(2003)。各向同性序列顺序学习神经计算,15,831-864·Zbl 1022.68111号
[23] Shouval,H.Z.、Bear,M.F.和Cooper,L.N.(2002)。NMDA受体依赖性双向突触可塑性的统一模型。程序。国家。阿卡德。科学。美国,99,10831-10836,
[24] Swinehart,C.D.和Abbott,L.F.(2005)。通过神经元反应调节监督学习。神经计算。,17, 609-631. , ·Zbl 1089.68610号
[25] van Hemmen,J.L.(2001)。突触可塑性理论。F.Moss&S.Gielen(编辑),《生物物理手册》,第4卷。神经信息学,神经建模(第771-823页)。阿姆斯特丹:爱思唯尔。
[26] Yang,S.-N.、Tang,Y.-G.和Zucker,R.S.(1999)。突触后钙升高对LTP和LTD的选择性诱导。神经生理学杂志。,81, 781-787.
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。