Codificação Comprimida Aleatória com Neurônios

Resumo Modelos clássicos de codificação eficiente em neurônios assumem respostas médias simples—‘curvas de ajuste’—como funções de um recurso de estímulo em forma de sino ou monotônicas. No entanto, neurônios reais podem ser mais complexos: células de grade, por exemplo, exibem respostas periódicas que conferem ao código da população neural uma alta precisão. Mas códigos altamente precisos exigem um ajuste fino das propriedades de resposta? Abordamos essa questão com o uso de um modelo de referência: uma rede neural com pesos sinápticos aleatórios que resultam em células de saída com curvas de ajuste irregulares. A irregularidade melhora a resolução local do código, mas dá origem a erros catastróficos e globais. Para uma suavidade ótima das curvas de ajuste, quando os erros locais e globais se equilibram, a rede neural comprime informações de uma representação de alta dimensão para uma de baixa dimensão, e o código distribuído resultante alcança precisão exponencial. Uma análise de gravações do córtex motor de macacos aponta para tal ‘codificação eficiente comprimida’. Códigos eficientes não exigem um design finamente ajustado—eles emergem robustamente da irregularidade ou aleatoriedade.