局部预测方向的自监督学习作为一种神经计算

自然感觉动力学在全局上是非线性的，但往往表现出简单的局部几何结构，邻近轨迹优先沿少数预测方向演化。我们探究神经回路如何能够直接从时间经验中发现这种几何结构。我们引入局部预测方向（Local Predictive Directions, LPD），这是一个自监督框架，学习局部方向，使其投影能够最大程度地预测近期未来的轨迹演化。LPD 对时间差分应用过去-未来典型相关分析，使学习到的表征对底层状态的平移保持不变，同时避免估计平衡点或全局动力学模型。为了表示具有多个预测机制的系统，我们引入非负相似性匹配目标，并配以离线和在线算法，将轨迹片段划分为预测域，每个域关联一个不同的局部预测方向。在线算法具有自然的神经网络解释：由此产生的活动提供软域分配，而突触权重编码相应的局部预测滤波器。在随机非线性动力系统上，LPD 恢复了局部预测几何结构，并将轨迹划分为不同的动力学机制。在自然主义感觉流上，在线算法产生中心-外周空间感受野以及类似早期视觉神经元的 ON/OFF 持续和瞬态时间滤波器。我们的结果表明，预测学习可以提供一种自监督机制，使神经回路发现环境动力学的局部几何结构并在感受野中加以表示。

中文由 AI 翻译，仅供参考，以原文为准。