Дебат виставляє Олів’є
Підхід Герстнера та Кістлера, як той, що описаний у Даяні та Ебботті, становить дуже хорошу основу для розуміння геббійського навчання та явищ STDP на теоретичному рівні. Крім того, це інтегровані та вогневі нейрони: враховуються стрибки, що підсилює біологічну правдоподібність.
Однак є основні відмінності з підходом CERCO, який фокусується на колосових поїздах як інформаційних векторах через їх тонку структуру часу. Наприклад, робота Руді спрямована на те, щоб навчити нейрони розпізнавати цю тимчасову структуру завдяки механізмам STDP. Тому ми не можемо розглядати вхідні дані наших нейронів як однорідні процеси з часом, інакше ми втратили б всю інформацію, яка нас цікавить. Отже, вибір полягає в тому, щоб імітувати цілі шипи поїздів, чітка тимчасова структура яких контролюється, та зосередитись на ефектах навчання з функціональної/експлуатаційної точки зору: чи стабілізується розподіл ваги?
що відбувається із затримкою постсинаптичних розрядів під час навчання? чи зростає селективність нейрона на цих входах? тощо Більш загально, точний час перехідних процесів між популяціями нейронів є критичним для рівня обчислень, проведених у зоровій системі. Важливим є вивчення синхронізації на патентах та вході та її вплив на формування синаптичних зв’язків.
Організація прямих та зворотних шляхів у зоровій системі сильно залежить від відносного часу активності в популяціях нейронів. Таким чином, ми знаємо, що фронтальні поля FEF (традиційно спостерігаються `` після '' тім’яної зорової системи) мають зв’язки з такими секторами, як V4, які мають характеристики прямих шляхів. Дійсно, нейрони FEF отримують дуже швидкодіючі візуальні вхідні дані, які майже напевно надходять від V1 та MT (`` швидкий мозок '' Жана). Наприклад: ми можемо припустити, що це `` грунтування '', зменшення затримок у V4, має форму випромінювання хвиль спайків, що повторюються майже однаково під час послідовних випробувань, від FEF. Завдяки STDP ми в кінцевому підсумку отримали б "відбір" синапсів V4, які отримали перші спайки, сприяючи тим самим зробить цю область більш швидкою та виборчою до викидів, що надходять від FEF. Як результат, вони можуть розрядитися до того, як нейрони в V4 відреагують, і як результат, правило STDP, яке ми обговорювали, має тенденцію до посилення цих зв’язків.
Оскільки історія стимуляції (або шлейфів спайків) береться до уваги в тому, що показав Олів'є, чи могли б ми інтерпретувати це підкріплення з точки зору грунтування?: Таким чином, V4 міг спостерігати зменшення його затримок під час послідовних тестів, під час плями візуальної дискримінації, через до зміни ваги коннективіту FEF на V4. (у будь-якому випадку латентність візуальних саккад зменшується, і V4 відіграє певну роль у підготовці). Якби існував спосіб математичного моделювання цих часових аспектів нейрональної діяльності, це був би великий крок вперед. Інший спосіб думати про ці правила плазитичності полягає в тому, що вони можуть бути ефективним інструментом для певної форми байєсівського висновку: будь-яка інформація, яка може допомогти передбачити появу інших подій, буде привілейованою, а отже, мозок стане дедалі ефективнішим у прогнозуванні.
Про [детермінізм/стохастичність]: не помиліться, стохастична модель не надає ТІЛЬКИ середнє значення (тут швидкість розряду), вона також може дати дуже точну інформацію, наприклад, час появи 1-го сплеску. Не забуваємо, що `` ми не усереднюємо піки '', ми `` оцінюємо кожен стрибок від одного досвіду до іншого ''
Приклад: SpikeNet - це комп’ютерний код: з однаковими цифровими входами він буде забезпечувати однакові цифрові виходи (що і робить:)) НЕ відомо, що відбувається в мозку чи мозку від досвіду до досвіду. 'Інше. І все ж модель повинна передбачити ТЕЖИЙ результат (якісний певним чином), визнаючи, що числові дані коливаються. Стохастична модель у цьому сенсі представлятиме КРАЩЕ, ніж детермінована модель, реальність речей.
наприклад, моделі Пуассона є `` неоднорідними '', тобто, щоб інтервал між двома розрядами (наприклад) змінювався на стільки, скільки потрібно в кожен момент.