.png){kind=icon}
返回
Random compressed coding with neurons
.png){kind=icon}
OA
AI
DOI：10.1016/j.celrep.2025.115412.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
经典神经元的效率编码模型假设简单的平均响应-调谐曲线，例如刺激特征的钟形或单调函数。然而，真实神经元可能更复杂：例如网格细胞表现出周期性响应，赋予神经群体编码高精度。但高精度编码是否需要精细调节响应特性？我们使用一个简单模型来探讨这一问题：具有随机、空间扩展和不规则调谐曲线的神经元群体。不规则性增强了编码的局部分辨率，但会导致灾难性的全局错误。当调谐曲线的最优平滑度使局部和全局错误达到平衡时，神经群体将连续刺激的信息压缩成低维表示，而由此产生的分布式编码达到指数精度。对猴运动皮层记录的分析指向这种压缩的效率编码。效率编码不需要精心设计的方案——它们能从不规则性或随机性中稳健地涌现。
Keyword:
GRID CELLS
FISHER INFORMATION
POPULATION CODES
ARM MOVEMENTS
DIRECTION
REPRESENTATION
POSITION
CORTEX
DIMENSIONALITY
SPARSENESS
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.9
论文数:
1.7W
被引数:
10.2W
机构
引用论文
Optimal Multivariate Tuning with Neuron-Level and Population-Level Energy Constraints最优多变量调节与神经元级和种群级能量约束OAAI
.png){kind=icon}
OAAI分享收藏
分享收藏
查看更多内容