Как читать график кривой настройки нейронов?

Из комментариев:

Рискну предположить, что это нейроны, настроенные на определенное направление в пространстве, и что ось абсцисс представляет собой угол, кратный π радианам, особенно потому, что они связаны с работой Георгопулоса и его коллег .

Поскольку мы знаем, что это позиционно настроенные нейроны, вы можете увидеть другие примеры на этой странице Википедии .

Типичный популяционный код включает нейроны с кривой настройки Гаусса, средние значения которой изменяются линейно в зависимости от интенсивности стимула, а это означает, что нейрон наиболее сильно (с точки зрения импульсов в секунду) реагирует на стимул, близкий к среднему.

Итак, как упоминалось выше, независимой переменной здесь является «интенсивность» стимула (в данном случае абстрагируемая количеством направления), а частота стрельбы является зависимой переменной, следовательно, их положением на осях на графике.

Для некоторых из более теоретических исследований этого типа феномена я бы определенно проверил работу Эмо Тодорова среди многих других.

Мой ответ заключается в том, что вы уже начали понимать настройку нейронов.

Но дело не в том, что нейроны могут представлять функции. Дело в том, что нейроны обычно содержат информацию об определенных экспериментальных условиях.

Скорее нейроны могут представлять функции, но в большинстве случаев они имеют тенденцию представлять что-то более близкое к высказываниям.

Основополагающая работа Georgopoulos et al. речь шла о кодировании населения. Несомненно, нейроны были настроены косинусно, но некоторые нейроны явно представляют определенные позиции движения более точно, чем другие. Я предпочитаю думать о нейроне как о представлении убеждения, что животное движется в определенном направлении. Здесь ваш «х» будет углом достижения.

Та же самая интуиция может быть применена к настройке ориентации V1, как это было обнаружено Хьюбелем и Визелем. Здесь ваш «x» будет ориентацией света.

Это не значит, что частоту стрельбы нельзя использовать для представления функции. Просто по моему опыту правильнее сказать, что нейрон обычно представляет нечто более похожее на его убеждение в утверждении, что «я тянусь влево» или «я вижу горизонтальную полосу света в центре моего поля зрения». зрения».

В контексте упомянутого учебника этот график показывает первый принцип NEF, который заключается в том, что нейроны аппроксимируют функции, кодируя их с их частотой возбуждения. Здесь ввод представлен в диапазоне от 1 до -1. График показывает частоту срабатывания всех нейронов с учетом представляемого значения. Итак, скажем, у вас есть значение 0,5. Частоты срабатывания всех нейронов можно найти, посмотрев на их значения Y при x = 0,5.

Для получения дополнительной информации о кодировании и декодировании (как получить информацию из популяции нейронов) ознакомьтесь с этим руководством по NEF .

Модель не заботится о том, что такое x .

Сначала вы создаете популяцию из 100 нейронов для представления входных данных, которые будут варьироваться от -1 до 1.

Эти входные данные, которые варьируются от -1 до 1, равны x . Для сенсорных нейронов переменная x , скорее всего, будет представлять преобразование какого-то аспекта сенсорного стимула (например, угол обзора, уровень звука или температура), но она может быть любой, какой вы захотите.