compcogneuro/web: rate-code-activation

+++ Categories = [“Activation”, “Computation”, “Neuroscience”] bibfile = “ccnlab.json” +++ ほとんどの [[abstract neural network]] (ANN) モデルは、浮動小数点 [[activation]] 値を使用して、生物学的 [[neuron]] の全体的な発火速度のようなものを表します。これは、たとえば、離散スパイク [[Axon]] モデルが開発される前の [[Leabra]] モデルの場合に当てはまりました。

レート コード近似は、モデルの複雑さを簡素化する重要な方法となり得ます。これは、生物学的ニューロンの全体的な発火速度が、多数の電気生理学的記録における動作および推定される内部表現とよく相関しているという信頼できる発見と一致しています。ただし、これが実際のシステムの動作の「近似」であることは疑いの余地がなく、さまざまなレベルの分析でこのような近似を使用すると、多くの潜在的なコストが発生します ([[@Brette15]])。

[[neuron]] の章で強調したように、離散スパイキングには段階的で確率的な情報を表現するという利点があると同時に、ニューロンの最初のスパイク応答を介した新しい刺激情報の高速な初期伝播もサポートします。対照的に、レート コード ニューロンは、少なくとも [[Leabra]] モデルの追加の生物学的に動機付けされた特性を備えており、迅速ではあるが段階的ではない応答をすることも、ゆっくりと段階的に応答することもできます。

さらに、離散スパイクにより、これらのスパイク通信イベントの間にギャップが生じ、他の入力が特定の受信ニューロンに影響を与え、ネットワーク全体が入力の異なる解釈を交互に表すことができるようになります。対照的に、レートコード ニューロンは信号を継続的に伝達するため、応答がよりモノリシックかつ厳格になります。この違いは、スパイクに必要な [[stable activation]] メカニズムで明らかですが、レート コードのアクティブ化には必要ありません。全体として、これは、スパイク ネットワークの方が、異種の入力を統合し、曖昧な信号に対して適切な段階的応答を生成することに優れていることを意味します。

{id=”図_レート-コード-おおよそ” スタイル=”高さ:30em”}