Wie liest man ein Neuron-Tuning-Curve-Diagramm?

Aus den Kommentaren:

Ich wage die Vermutung, dass dies Neuronen sind, die auf eine bestimmte Richtung im Raum abgestimmt sind, und dass die x-Achse der Winkel in Vielfachen von π Radianten ist, zumal diese mit der Arbeit von Georgopoulos und Kollegen zusammenhängen .

Da wir wissen, dass dies positionsmäßig abgestimmte Neuronen sind, können Sie einige andere Beispiele auf dieser Wikipedia-Seite für einige andere Beispiele sehen.

Ein typischer Populationscode umfasst Neuronen mit einer Gaußschen Abstimmkurve, deren Mittelwerte sich linear mit der Stimulusintensität ändern, was bedeutet, dass das Neuron am stärksten (in Bezug auf Spitzen pro Sekunde) auf einen Stimulus in der Nähe des Mittelwerts reagiert.

Wie oben erwähnt, ist die unabhängige Variable hier also die Stimulus-„Intensität“ (in diesem Fall abstrahiert durch die Richtungsgröße) und die Feuerrate ist die abhängige Variable, daher ihre Positionen auf den Achsen im Diagramm.

Für einige der eher theoretischen Studien zu dieser Art von Phänomenen würde ich mir neben vielen anderen auch die Arbeit von Emo Todorov ansehen .

Meine Antwort ist, dass Sie die Anfänge eines Verständnisses der neuronalen Abstimmung haben.

Aber der Punkt ist nicht, dass Neuronen Funktionen darstellen können. Der Punkt ist im Allgemeinen, dass Neuronen Informationen über bestimmte experimentelle Bedingungen enthalten.

Vielmehr können Neuronen Funktionen darstellen, aber in den meisten Fällen neigen sie dazu, etwas zu repräsentieren, das näher an Aussagen liegt.

Die wegweisende Arbeit von Georgopoulos et al. ging es um Bevölkerungscodierung. Sicher, die Neuronen waren Kosinus-abgestimmt, aber bestimmte Neuronen repräsentieren eindeutig bestimmte Bewegungspositionen genauer als andere. Ich stelle mir das Neuron lieber als einen Glaubenssatz vor, dass das Tier in eine bestimmte Richtung greift. Hier wäre Ihr "x" der Reichweitenwinkel.

Dieselbe Intuition kann auf die von Hubel und Wiesel entdeckte V1-Orientierungsabstimmung angewendet werden. Hier wäre Ihr "x" die Ausrichtung des Lichts.

Das soll nicht heißen, dass die Feuerrate nicht zur Darstellung einer Funktion verwendet werden kann. Meiner Erfahrung nach ist es nur genauer zu sagen, dass das Neuron normalerweise etwas darstellt, das eher seinem Glauben an die Aussage „Ich greife nach links“ oder „Ich sehe einen horizontalen Lichtbalken in der Mitte meines Feldes“ entspricht des Sehens."

Im Zusammenhang mit dem genannten Tutorial zeigt diese Grafik das erste Prinzip der NEF, nämlich dass Neuronen Funktionen approximieren, indem sie sie mit ihren Feuerraten codieren. Hier wird der dargestellte Eingang im Bereich von 1 bis -1 dargestellt. Was die Grafik zeigt, sind die Feuerungsraten aller Neuronen bei gegebenem Wert, der dargestellt wird. Angenommen, Sie haben den Wert 0,5. Die Feuerraten aller Neuronen können durch Betrachten ihrer Y-Werte bei x = 0,5 gefunden werden.

Weitere Informationen zum Codieren und Decodieren (wie Sie die Informationen aus einer Population von Neuronen zurückholen) finden Sie in diesem NEF-Tutorial .

Dem Modell ist es egal, was x ist.

Sie erstellen zunächst eine Population von 100 Neuronen, um eine Eingabe darzustellen, die von -1 bis 1 variiert.

Diese Eingabe, die von -1 bis 1 variiert, ist x . Für sensorische Neuronen würde die Variable x wahrscheinlich eine Transformation eines Aspekts des sensorischen Stimulus darstellen (z. B. Blickwinkel, Schallpegel oder Temperatur), aber es kann alles sein, was Sie wollen.