Inferência e Aprendizado Bayesiano Hierárquico em Redes Neurais Spiking

Numerosos dados experimentais da neurociência e da ciência psicológica sugerem que o cérebro humano utiliza princípios bayesianos para lidar com o ambiente complexo. Além disso, a inferência bayesiana hierárquica foi proposta como uma estrutura teórica apropriada para modelar o processamento cortical. No entanto, ainda não se sabe como essa computação é organizada na rede de neurônios spiking biologicamente plausíveis. Neste artigo, propomos uma rede hierárquica de circuitos de vencedor-leva-tudo que pode realizar inferência e aprendizado bayesianos hierárquicos por meio de um algoritmo de maximização de expectativa variacional (EM) baseado em spikes. Em particular, mostramos como as atividades de disparo dos neurônios spiking em resposta aos estímulos de entrada e a regra de plasticidade dependente do tempo de disparo podem ser entendidas, respectivamente, como o passo E e o passo M da EM variacional. Por fim, demonstramos a utilidade desta rede neural spiking no benchmark MNIST para classificação não supervisionada de dígitos manuscritos.