Learning by the Dendritic Prediction of Somatic Spiking | Neuron (2014)
Robert Urbanczik ∙Walter Senn
https://doi.org/10.1016/j.neuron.2013.11.030
SpikingNeuralNetwork; SNN
神経回路の学習則といえばヘブの学習則(Hebbian Learning)
シナプス前後のスパイクタイミングもこれに影響する
スパイクタイミング依存性可塑性(Spike Timing-Dependent Plasticity; STDP)
これらは3つ目の要素として膜電位を加えることで説明ができる
Voltage and spike timing interact in STDP – a unified model
Naa_tsure.iconしかし、これはシミュレーションの仕事
細胞体(soma)における発火と樹状突起(Dendrite)における電位変化の違いを最小化するように学習する
細胞体が発火する確率は樹状突起への入力が多ければ高いはず
細胞体が発火していないのに樹状突起が応答が強い場合はシナプス減弱
細胞体が発火しているのに樹状突起の応答が弱い場合はシナプス増強
Voltage-dependent plasticity; VDP
Naa_tsure.iconこれ、生物学的な裏付けはある?
尖端樹状突起(Apical dendrite)
細胞体(soma)