Key points are not available for this paper at this time.
受到近期实验结果的启发，时间不对称Hebbian (TAH) 可塑性被认为是竞争性突触学习的生物实现候选模型，这是基于经验的皮层电路发展的关键概念。然而，由于基于相关性的可塑性已知的正反馈不稳定性，导致的学习过程的稳定性仍然是一个核心问题。当前模型的学习性能受到突触效能失控或对输入相关性的敏感性大幅降低的困扰。在这里，我们引入了一种新颖的广义非线性TAH学习规则，允许在学习的稳定性和敏感性之间取得平衡。利用该规则，我们研究系统学习传入尖峰列之间相关模式的能力。具体而言，我们探讨在什么条件下学习会引发自发对称破缺，并导致捕捉输入相关性结构的不均匀突触分布。为了研究通过TAH可塑性学习传入尖峰列之间时间关系的效率，我们引入了一种新颖的敏感性度量，量化输入中相关结构的信息量，这是一个能够在突触权重中存储信息的学习规则。我们证明，通过调整TAH可塑性中突触变化的权重依赖性，可以在保持系统稳定学习状态的同时增强时间输入相关性的突触表示。事实上，对于给定的输入分布，学习效率是可以优化的.
Gütig等（周四）研究了这个问题。