在早期视觉发育中计算探测时间有限的神经元可塑性的作用

科学领域:

• 发育神经科学的发展神经科学.
• 计算神经科学是一种神经科学.
• 视觉感知 视觉感知 视觉感知

背景情况:

• 新生儿由于高的神经元可塑性而表现出快速的环境学习,随着时间的推移,神经元可塑性会减少.
• 塑性下降传统上被视为一种约束,但可能具有适应性功能.
• "适应性初始降解"假说表明,早期暴露于降解的感官输入可以提高后来的感知.

研究的目的:

• 研究时间有限的神经元可塑性在视觉发育中的适应作用.
• 通过计算建模减少可塑性和提高视觉保真度之间的相互作用.
• 使用深度神经网络测试"适应性初始降解"假设.

主要方法:

• 利用深度神经网络 (DNN) 作为计算模型.
• 在DNN中使用降低的学习率来模拟减少的可塑性.
• 模拟的视觉敏度和颜色保真度的发育改善.

主要成果:

• 时间有限的可塑性提供了适度的性能增长,并稳定了早期的表示.
• 减少塑性所带来的改善不如最初降解输入所带来的好处那么显著.
• 与较深层相比,DNN在初始层中表现出较早的稳定,反映了生物发展.

结论:

• 减少的可塑性为视觉发育提供了有限的适应性益处.
• 强大的感知的主要优势来自最初的降低感官体验,而不是减少可塑性.
• 计算建模完善了对"适应性初始退化"假设和发育神经科学原理的理解.