[论文解读] Sensory Coding with Dynamically Competitive Networks

M. I. Rabinovich, Ramón Huerta+3 more|ArXiv.org|May 21, 1999

Neural dynamics and brain function参考文献 31被引用 4

一句话总结

本文提出一种动态竞争框架，其中嗅觉等感官刺激通过神经网络中瞬态、演化的时空模式进行编码，而非静态吸引子。该模型采用非自主、由刺激驱动的动力学，结合单向抑制，生成可靠、抗噪声的表征，避免干扰，实现高容量、稳定的编码，且无需持久记忆痕迹。

ABSTRACT

Studies of insect olfactory processing indicate that odors are represented by rich spatio-temporal patterns of neural activity. These patterns are very difficult to predict a priori, yet they are stimulus specific and reliable upon repeated stimulation with the same input. We formulate here a theoretical framework in which we can interpret these experimental results. We propose a paradigm of ``dynamic competition'' in which inputs (odors) are represented by internally competing neural assemblies. Each pattern is the result of dynamical motion within the network and does not involve a ``winner'' among competing possibilities. The model produces spatio-temporal patterns with strong resemblance to those observed experimentally and possesses many of the general features one desires for pattern classifiers: large information capacity, reliability, specific responses to specific inputs, and reduced sensitivity to initial conditions or influence of noise. This form of neural processing may thus describe the organizational principles of neural information processing in sensory systems and go well beyond the observations on insect olfactory processing which motivated its development.

研究动机与目标

• 解释感觉系统（尤其是昆虫的嗅觉处理）如何在神经噪声和非平稳输入下生成可靠、刺激特异的时空模式。
• 解决传统吸引子网络模型依赖稳定不动点而易受模式干扰的局限性。
• 构建一个理论框架，其中由输入驱动、受瞬态轨迹支配的动态非自主行为，成为神经表征的基础。
• 证明此类动态编码通过减少存储模式之间的干扰，可提升信息容量和鲁棒性。
• 探讨该方法在跨物种感觉处理中的生物学合理性与计算优势。

提出的方法

• 构建一个包含兴奋性投影神经元（PNs）和抑制性 local 神经元（LNs）的网络模型，模拟昆虫触角球部的结构。
• 实现单向抑制连接，形成循环支配结构，实现神经集合之间的动态竞争。
• 采用非自主动力学——系统演化依赖于外部输入，而非自主吸引子状态。
• 使用简化的三神经元模型，通过连接不稳定不动点的异宿轨道，说明瞬态模式转换。
• 分析系统的稳定性与对初始条件的敏感性，表明其在噪声和波动下仍具鲁棒性。
• 应用控制理论概念，证明即使底层自主系统不稳定，刺激驱动的轨迹在数学上仍可稳定且可预测。

实验结果

研究问题

• RQ1 神经网络如何在不依赖稳定吸引子的前提下，生成可靠、刺激特异的时空模式？
• RQ2 与经典吸引子网络相比，使用瞬态非自主动力学进行感官表征有何计算优势？
• RQ3 动态竞争如何减少存储模式之间的干扰并提升记忆容量？
• RQ4 为何神经活动的时间特性和关系特征对感官区分与解码至关重要，即使平均放电率携带的信息有限？
• RQ5 此类动态编码方案是否可推广至各类感觉系统和脑结构，包括哺乳动物？

主要发现

• 该模型生成丰富、非平稳的时空模式，与实验观测到的蝗虫和蜜蜂触角球部的神经活动高度相似。
• 尽管缺乏稳定不动点，系统在重复刺激下仍表现出高度稳定性，模式随时间演化具有一致性。
• 由于每个模式在相空间中沿唯一轨迹演化，网络的记忆容量显著提升，存储输入间的干扰被最小化。
• 刺激消失后，系统因持续依赖输入而自然重置，无需显式重置机制。
• 该方法降低了经典吸引子网络中常见的“叠加灾难”风险，即重叠模式导致记忆失效。
• 即使使用时间常数较长的解码器，动态编码的内在稳定性仍可增强解码精度，支持高效的下游处理。