.png){kind=icon}
返回
Associative updates for temporal contingencies
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jmp.2026.102971.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
事件共发生率的关联学习可以生成有用的预测表示（例如，后继表示），但仅凭时间邻近性不足以推断因果关系。近期研究表明，长期以来被认为实现时序差分学习的神经基质可能通过追踪时间依存性——经背景共发生率校正的事件巧合——来进行因果推断。我们证明，改变激活函数能使简单的关联更新直接计算时间依存性。时间邻近性可学习为刺激与记忆痕迹之间的互相关，时间依存性可学习为互协方差。一个推论是，神经上合理的因果学习算法可以通过简单的关联更新实现。这些结果突显了一类学习规则，用于增量计算前向、后向和联合的时间邻近性与依存性。
Keyword:
Associative learning
Causal inference
Successor representation
Predictive representations
Cognitive maps
期刊
J
IF:
1.5
论文数:
26
被引数:
3.6K
机构
引用论文
分享收藏分享收藏
The learning of prospective and retrospective cognitive maps within neural circuits神经回路中前瞻性和回顾性认知图的学习.png)
NEURON
OAAI
NEURONIF15
OAAI分享收藏P. Masset, P. Tano, H.G. R. Kim, et al., Multi-timescale reinforcement learning in the brain, Nature 642 (2025) 682–690.P. Masset, P. Tano, H.G. R. Kim, 等., 脑内多时间尺度强化学习, Nature 642 (2025) 682–690.
IF0
PREAI
分享收藏
查看更多内容