通过相互作用的树突进行学习可提升神经元对熟悉性的检测能力

生物神经元能够在其树突内执行非线性计算，并支持分支局部化的可塑性。这提出了一种可能性：单个细胞可以通过将突触修饰限制在特定树突上，以更高的效率、并以更少的相互干扰来存储记忆。我们研究了一个执行在线熟悉性检测的并行树突模型，并比较了学习过程中三种树突更新规则：（i）独立阈值化；（ii）一种交互式规则，该规则针对每个项目自适应地调整目标局部树突激活；以及（iii）一种交互式的 n-胜者全得（WTA）规则，该规则限制每个项目被更新的分支数量。交互式规则通过限制记忆响应中的方差并去相关化各分支之间的权重，显著提高了容量——即使在输入高度相关的情况下也是如此。这些结果表明，树突之间的竞争与资源受限的可塑性机制相一致，能够使单细胞记忆超越非交互式方案。

生物神经元能够在其树突内执行非线性计算，并支持分支局部化的可塑性。这提出了一种可能性：单个细胞可以通过将突触修饰限制在特定树突上，以更高的效率和更少的干扰来存储记忆。我们研究了一个执行在线熟悉性检测的平行树突模型，并比较了学习过程中三种树突更新规则：（i）独立阈值化；（ii）一种相互作用规则，该规则针对每个项目自适应地调整目标局部树突激活；以及（iii）一种相互作用的 n-胜者全得（WTA）规则，该规则限制每个项目被更新的分支数量。相互作用规则通过限制记忆响应中的方差并降低分支间权重的相关性，显著提高了容量——即使在输入高度相关的情况下也是如此。这些结果表明，树突之间的竞争与资源受限的可塑性机制一致，能够提升单细胞记忆性能，超越非相互作用方案。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.20.746078v1?rss=1

🏷️ 树突计算 熟悉性检测 突触可塑性 竞争学习 单细胞记忆