- 4 次围观
竞争性脉冲网络能够通过局部突触可塑性和侧向抑制形成感觉表征。Diehl-Cook架构是其中的经典范例：经泊松编码的感觉输入通过基于脉冲时序的可塑性（spike-timing-dependent plasticity，STDP）驱动兴奋性神经元，而一个独立的抑制性神经元群则在兴奋性单元之间施加竞争。在大多数实现中，这种竞争回路是固定的，尽管在皮层回路中抑制性突触具有可塑性，并且参与兴奋–抑制平衡。因此，受生物学启发的抑制性可塑性在何种条件下能够替代固定的侧向竞争，同时又不破坏表征学习，仍不明确。本文在一个使用MNIST进行训练的竞争性STDP网络中研究了这一问题。我们比较了固定抑制、Vogels风格的抑制性STDP规则、慢速稳态抑制，以及一种受预算约束的慢速稳态规则；后者保持每个兴奋性神经元所接收的总抑制性输入不变。固定抑制的工作点图表明，稳定性取决于网络所处的动力学状态：在测试的固定抑制运行中，56%的运行完成了训练，而在较高输入增益下施加更强抑制则会产生活动失控。用于后续比较的参考状态为 \(g = 2.0\)、\(w_{IE} = 10.0\)，该状态在不同重复初始化中均表现出完全稳定性，并取得了较高的分类性能（训练30,000个样本后准确率为 \(84.3 \pm 0.6\%\)）。在这一状态下，当受预算约束规则的抑制预算与固定抑制参考值相匹配（\(B_I = 3990\)）时，所有重复运行均保持稳定，准确率达到 \(83.5 \pm 0.6\%\)，且放电率和抑制性电导统计量均接近固定抑制情形；相比之下，不匹配的预算（\(B_I = 7980\)）在每次重复运行中都产生了活动失控。参数图显示，源自Vogels规则的iSTDP总体上具有较广的稳定范围，但并非始终稳定（90%的运行完成了训练）；慢速稳态抑制的稳定范围则更广（96%的运行稳定完成）。受预算约束的稳定性高度依赖于守恒预算：较低预算和匹配预算具有稳定性或接近稳定，中等预算的结果则不一致，而 \(B_I = 7980\) 在所有测试运行中均失败。这些结果表明，竞争性STDP网络中的抑制性可塑性并非仅由局部稳态更新所控制。稳定的可塑性竞争共同取决于网络的工作状态以及能够固定竞争总强度的抑制预算，同时允许局部抑制性权重进行适应性调整。从机制上看，预算匹配将抑制性权重的局部重新分配与总抑制驱动的变化分离开来，从而防止可塑性使网络偏离稳定的竞争状态。这一发现确立了抑制预算匹配这一实用设计原则，可用于在基于STDP的脉冲网络中以具有可塑性且受稳态调节的竞争机制替代固定抑制。
竞争性脉冲网络能够通过局部突触可塑性和侧向抑制形成感觉表征。Diehl-Cook 架构是其中的典型范例：泊松编码的感觉输入通过基于脉冲时序的可塑性（STDP）驱动兴奋性神经元，同时由一个独立的抑制性神经元群在兴奋性单元之间施加竞争。在大多数实现中，这种竞争回路是固定的，尽管在皮层回路中抑制性突触具有可塑性，并参与维持兴奋—抑制平衡。因此，受生物学启发的抑制性可塑性在何种条件下能够取代固定的侧向竞争而不破坏表征学习，仍尚不明确。在本研究中，我们在一个经过 MNIST 训练的竞争性 STDP 网络中考察了这一问题。我们比较了固定抑制、Vogels 风格的抑制性 STDP、慢速稳态抑制，以及一种受预算约束的慢速稳态规则；后者保持每个兴奋性神经元所接收的总抑制性输入不变。固定抑制的工作点图表明，稳定性取决于网络所处的动力学状态：在测试的固定抑制条件下，56% 的运行完成了训练，而在较高输入增益下施加更强抑制则会产生活动失控。用于后续比较的参考状态为 \(g = 2.0\)、\(w_{IE} = 10.0\)，该状态在不同重复初始化中均表现出完全稳定性，并具有较高的分类性能（训练 30,000 个样本后达到 84.3 ± 0.6%）。在这一状态下，当受预算约束的规则所设定的抑制预算与固定抑制参考值相匹配（\(B_I = 3990\)）时，所有重复运行均保持稳定，准确率达到 83.5 ± 0.6%，且放电率和抑制性电导统计量均接近固定抑制；而当预算不匹配（\(B_I = 7980\)）时，每次重复运行均产生活动失控。参数图显示，源自 Vogels 规则的 iSTDP 总体上具有较好的稳定性，但并非在所有条件下均稳定（90% 的运行完成了训练）；相比之下，慢速稳态抑制具有更广泛的稳定性（96%）。受预算约束的稳定性强烈依赖于守恒预算：较低预算和匹配预算对应稳定或近乎稳定的状态，中等预算下的结果不一，而 \(B_I = 7980\) 在所有测试运行中均失败。这些结果表明，竞争性 STDP 网络中的抑制性可塑性并非仅由局部稳态更新所决定。稳定的可塑性竞争同时取决于网络所处的工作状态和能够固定竞争总强度的抑制预算；在此基础上，局部抑制性权重仍可进行适应性调整。从机制上看，预算匹配将抑制性权重的局部重新分配与总抑制驱动的变化区分开来，从而防止可塑性使网络偏离稳定的竞争状态。由此，抑制预算匹配可被视为一种实用的设计原则，用于在基于 STDP 的脉冲网络中以具有可塑性且受稳态调节的竞争机制取代固定抑制。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.27.754763v1?rss=1
🏷️ 竞争性脉冲神经网络 抑制性突触可塑性 稳态可塑性 脉冲时序依赖可塑性 兴奋-抑制平衡 神经网络表征学习