本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
我們將 Linkser 的前饋神經網路 Infomax 原理擴展到隨機相互依賴性的測量，以捕捉循環系統中的空間和時間訊號屬性。這種隨機交互作用的度量量化了馬可夫鏈與單一單元過程的分裂鏈乘積的 Kullback-Leibler 散度。對於無約束馬可夫鏈，隨機交互作用的最大化（也稱為時間資訊最大）先前已被證明會導致幾乎確定性的動態。這封信考慮了受限馬可夫鏈上的時態 Infomax，其中一些單元被限制在規定的隨機過程中，為系統提供輸入。在這種情況下，時間 Infomax 會導致有限狀態自動機，要么是完全確定性的，要么是弱非確定性的。考慮到完整的當前狀態和輸入，這些系統內部狀態之間的轉換幾乎是完全可預測的，但每個單元的單獨活動實際上是隨機的。結果透過電腦模擬得到證明並透過分析得到證實。此外，數值顯示，Temporal Infomax 導致從輸入到內部單元的高資訊流，並且簡單的時間學習規則可以近似實現時間交互的最佳化。我們將這些結果與在多個電極記錄中觀察到的相關動力學和功能連接性的實驗數據聯繫起來。