5、潜在吸引子：上下文相关神经计算的通用范式

潜在吸引子：上下文相关神经计算的通用范式

1. 引言

认知的一个重要且独特的属性是自主学习能力，即从与环境的简短、非结构化交互中推断出必要的类别、上下文和关系。现实世界中信息的一个重要特征是其在多个尺度上的时间可变性，以及这对后续信息的解释和响应的影响。智能系统需要具备感知、表示和利用这种多层次信息的能力，以应对环境。这就要求系统具有一定的结构和信息“深度”，能够同时在多个层面上处理信息。例如，系统的响应可能需要同时受到以下因素的影响：
1. 即时刺激（在几百毫秒内整合）；
2. 近期经验（过去几秒内）；
3. 动机和认知上下文（通常在几分钟或几小时内保持稳定）。

系统必须以通用和自适应的机制，同时综合考虑所有不同类型的时变影响。我们关注的是神经系统对不同范围和尺度上下文的反应能力，下面将介绍多尺度上下文依赖的框架，并探讨实现这些功能的神经机制。

2. 多尺度上下文依赖

上下文被定义为过去影响系统当前响应的相关信息。上下文相关系统的响应依赖于当前输入，同时受到上下文的调节：
[y(t) = f(x(t)|xc(t))]
其中，(xc(t)) 表示上下文，是过去输入的集合，与当前输入 (x(t)) 一起唯一确定系统的响应 (y(t))，在功能上等同于动态系统中的状态概念。

上下文主要分为两种类型：
- 类型 I（即时上下文） ：由从 (t - 1) 到 (t - p) 的近期输入形成，(p) 对于给定的 (t) 是固定的，但随时间可变且可能未知：
[xcI(t) = {x(t - 1), x(t - 2), \ldots x(t -