神經網路中的訊息傳遞：神經編碼的統一
研究神經編碼的方式往往是這樣的：科學家們在實驗上給予感官不同的刺激，然後觀察並分類神經的反應。 但這些所謂的『分類』都是以『人』的角度出發的 --- 神經的訊號的編譯(encoding)或譯解(decoding)只需對本身的運算有意義即可，並不一定對觀察者而言要有意義。秉持著這樣的想法，Perkel與Bullock提出四種神經編碼應該具有的特質：訊息代表性(stimulus representation)、訊息詮釋性(stimulus interpretation)、訊息可塑性(stimulus transformation)、訊息傳遞性(signal transmission)。本文作者針對最後一種特質 --- 訊息傳遞性 --- 來探討兩種截然不同的編譯方式。
第一種編譯方式為頻率編碼(rate code)，即認為一個脈衝序列(spike train)的訊息存在於頻率之中。由於頻率編碼受到動作電位之間相關性的影響(詳細原因：頻率編碼假設動作電位呈現泊松分佈(Poisson distribution)，即動作電位間沒有相關性)，因此一個連結數(synaptic connection)少但連結強度(synaptic weight)夠強的網路是較能夠穩定傳遞頻率編碼的脈衝序列的。第二種編譯方式為時間編碼(synchrony code)，認為脈衝序列的訊息隱含在個別動作電位的時間點之中。為了避免雜訊(noise)的影響，運用時間編碼的神經網路勢必得有較弱的連結強度及較多的連結數量，如此雜訊才不會被誤傳下去。兩種編譯方式都各有實驗支持，但所需的網路特質是相反的。作者於是用帶有隨機性的前饋神經網路(feedforward neural network)來討論是否有可以同時傳遞頻率編碼與時間編碼的網路。
作者用模擬的方式觀察了一個含有前饋神經網路的隨機網路。他所探討的參數空間即為上述的連結數(在隨機網路中為連結可能性)及連結強度。作者發現這兩種編譯方式的訊噪比在某一個特定的參數空間內(詳見原文圖五)都是高的。由此他認為在正確的參數空間下，神經網路是能夠同時傳遞這兩種不同的編譯訊息的。
原文：Kumar, Arvind, Stefan Rotter, and Ad Aertsen. "Spiking activity propagation in neuronal networks: reconciling different perspectives on neural coding." Nature reviews neuroscience 11.9 (2010): 615.
撰稿：劉沛弦
第一種編譯方式為頻率編碼(rate code)，即認為一個脈衝序列(spike train)的訊息存在於頻率之中。由於頻率編碼受到動作電位之間相關性的影響(詳細原因：頻率編碼假設動作電位呈現泊松分佈(Poisson distribution)，即動作電位間沒有相關性)，因此一個連結數(synaptic connection)少但連結強度(synaptic weight)夠強的網路是較能夠穩定傳遞頻率編碼的脈衝序列的。第二種編譯方式為時間編碼(synchrony code)，認為脈衝序列的訊息隱含在個別動作電位的時間點之中。為了避免雜訊(noise)的影響，運用時間編碼的神經網路勢必得有較弱的連結強度及較多的連結數量，如此雜訊才不會被誤傳下去。兩種編譯方式都各有實驗支持，但所需的網路特質是相反的。作者於是用帶有隨機性的前饋神經網路(feedforward neural network)來討論是否有可以同時傳遞頻率編碼與時間編碼的網路。
作者用模擬的方式觀察了一個含有前饋神經網路的隨機網路。他所探討的參數空間即為上述的連結數(在隨機網路中為連結可能性)及連結強度。作者發現這兩種編譯方式的訊噪比在某一個特定的參數空間內(詳見原文圖五)都是高的。由此他認為在正確的參數空間下，神經網路是能夠同時傳遞這兩種不同的編譯訊息的。
原文：Kumar, Arvind, Stefan Rotter, and Ad Aertsen. "Spiking activity propagation in neuronal networks: reconciling different perspectives on neural coding." Nature reviews neuroscience 11.9 (2010): 615.
撰稿：劉沛弦
留言
張貼留言