16、振荡神经同步：从生物机制到机器学习的关联探索

振荡神经同步：从生物机制到机器学习的关联探索

正交特征与RELR稳定性

在数据分析和模型构建中，正交特征是一个重要的概念。然而，基于正交特征假设得出的解决方案，可能完全是该假设的产物。以傅里叶分析算法为例，它强制寻找正交解，即便在白噪声观测中，也能找到频率分量呈完美整数比的正交解。但当显式相对熵逻辑回归（RELR）找到由相对不相关特征构建的简单结构时，这种结构更有可能是稳定的。若用独立数据训练模型，得到的结构也会相似。

RELR与依赖于脉冲时间的可塑性

1. 生物神经元的脉冲时间可塑性
   • LTP和LDP机制 ：在神经学习中，依赖于脉冲时间的可塑性效应广泛存在，这为赫布学习原则提供了证据。若突触前神经元在突触后神经元放电前的短时间窗口内放电，更有可能引发长时程增强（LTP），即输入学习权重的长期正向变化；反之，若突触前神经元在突触后神经元放电后的短时间窗口内放电，则可能导致突触长时程抑制（LDP）和更负的学习权重变化。最初，这种依赖于脉冲时间的过程在兴奋性突触中被观察到，现在发现它也存在于抑制性突触中。
   • 时间巧合与学习效果 ：突触前和突触后脉冲的相对时间涉及的时间巧合，与依赖于脉冲时间的学习效果有关。通过突触前和突触后激活的时间巧合快速学习新连接，可实现信息的灵活重路由，而不依赖于先前固定的解剖连接。由此产生的脉冲时间可塑性效应可导致LTP和LDP，并增强那些对记忆巩固最活跃和重要的突触的短期活动。大量实证证据表明，神经学习权重的变化与突触前和突触后脉冲之间的紧密时间相关性有关。不过，树突中分级电位的