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
我們研究學習動態對網路拓撲的影響。首先，為此目的考慮離散動力系統網絡，並且使耦合強度根據基於尖峰時間依賴性可塑性（STDP）範式的時間學習規則來演化。這包含了不同邊緣之間的必要競爭。我們獲得的最終網路是魯棒的並且具有廣泛的度分佈。然後我們研究正式神經網路結構的動力學。對於正確選擇的輸入訊號，存在具有殘差網路的穩態。我們將這種網路的主題特徵與秀麗隱桿線蟲的真實神經網路的主題特徵進行比較，並確定穩健的定性相似性。特別是，我們廣泛的數值模擬表明，這種 STDP 驅動的結果網路在模型參數變化的情況下具有穩健性。