[論文レビュー] Optimal Spike-Timing Dependent Plasticity for Precise Action Potential Firing

Jean-Pascal Pfister, Taro Toyoizumi+2 more|ArXiv.org|Feb 24, 2005

Advanced Memory and Neural Computing参考文献 46被引用数 15

ひとこと要約

この論文は、正確な標的時刻における発火を最大化するため、教師あり学習を用いて最適なスパイク時間依存可塑性（STDP）ルールを導出する。尤度関数に対する勾配上昇を用いてシナプス重みを最適化することで、最適な学習窓が二相的であることを示している—予め発火する前駆性スパイクのときに強化され、逆の順序では抑制される。その正確な形は、時間的局所性や発火頻度制御などの制約に依存する。

ABSTRACT

In timing-based neural codes, neurons have to emit action potentials at precise moments in time. We use a supervised learning paradigm to derive a synaptic update rule that optimizes via gradient ascent the likelihood of postsynaptic firing at one or several desired firing times. We find that the optimal strategy of up- and downregulating synaptic efficacies can be described by a two-phase learning window similar to that of Spike-Timing Dependent Plasticity (STDP). If the presynaptic spike arrives before the desired postsynaptic spike timing, our optimal learning rule predicts that the synapse should become potentiated. The dependence of the potentiation on spike timing directly reflects the time course of an excitatory postsynaptic potential. The presence and amplitude of depression of synaptic efficacies for reversed spike timing depends on how constraints are implemented in the optimization problem. Two different constraints, i.e., control of postsynaptic rates or control of temporal locality,are discussed.

研究の動機と目的

• 発火タイミングを高精度に制御できる最適なシナプス可塑性ルールを特定すること。
• スパイク時間依存可塑性（STDP）が、神経系における時間コード化の最適学習ルールとして導出可能かどうかを調査すること。
• 時間的局所性や発火頻度制御などの異なる制約が、最適STDP窓の形に与える影響を調査すること。
• 教師あり学習の原則とスパikingニューラルネットワークにおける非教師ありシナプス可塑性メカニズムを橋渡しすること。
• 尤度目的関数に対する勾配上昇を用いて、第一原理から生物学的に妥当なSTDP関数を導出すること。

提案手法

• 目的が1つ以上の所望のスパイク時刻における発火尤度を最大化する教師あり学習フレームワークを用いる。
• 発火を所望の時刻に偏らせる「教示」入力電流を伴う、発火電位のEPSPの和として発火電位をモデル化する。
• 所望のスパイクタイミングの対数尤度に対する勾配上昇を用いて、最適なシナプス重み更新を導出する。この際、履歴依存発火頻度を持つ確率的ニューロンモデルを用いる。
• 不適切な逆問題を解くために、モール・ペンローズ逆行列を用いて、最適な重み変化から元のSTDP関数を復元するためのデコンボリューション技術を適用する。
• 最適化における非局所的重み変化に二次的ペナルティを課すことにより、時間的局所性制約を導入し、正則化された解を得る。
• モンテカルロサンプルと準解析的推定を用いて、期待発火頻度を計算し、効率的かつ正確な尤度最適化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 正確な標的時刻における発火を可能にする最適なシナプス可塑性の形は何か？
• RQ2 最適化中に課された制約（時間的局所性や発火頻度制御など）が、最適STDP窓に与える影響は何か？
• RQ3 原理的最適化によって、二相的STDPに類似した学習ルールが自然に出現するか？
• RQ4 最適学習ルールにおけるSTDP窓の形状とEPSPの時間的変化の関係は何か？
• RQ5 正則化（例：時間的局所性）の導入が、導出されたSTDP関数の構造に与える影響は何か？

主な発見

• 最適な学習ルールは、二相的STDPに類似した窓を生成する—前駆性スパイクが所望の発火スパイクの前に発火する場合に強化され、その大きさはEPSPの時間的変化に依存する。
• 逆順のスパイクタイミングにおけるシナプス抑制は、最適化中に制約が課された場合にのみ生じる。制約がなければ、抑制は必要ない。
• 時間的局所性が非局所的重み変化に対する二次的ペナルティによって強制されると、得られるSTDP関数は局所的かつ生物学的に妥当な形になる。
• 最適STDP窓は数学的に時間微分フィルタに等しく、前駆性および発火スパイクのタイミングに対する感受性を反映している。
• 準解析的推定による発火頻度は、特に低ノイズ状態において、経験的PSTHベースの手法よりも速くかつ正確に収束する。
• 最適化と得られた可塑性ルールとの整合性を確認するため、モール・ペンローズ逆行列を用いた重み変化のデコンボリューションにより、導出されたSTDPルールを回復できる。