TU Berlin

Neuronale InformationsverarbeitungModelle neuronaler Entwicklung

Neuronale Informationsverarbeitung

Inhalt

zur Navigation

Modelle neuronaler Entwicklung

Lupe

Topgraphische Projektionen zwischen neuronalen Schichten, Orientierungskolumnen und Augendominanzsäulen in frühen visuellen Arealen dienten als Modellsysteme, um die Mechanismen neuronaler Plastizität und Entwicklung zu verstehen. Wir haben mit mathematischen Modellen und Computersimulationen untersucht, wie aktivitätsgetriebene und intrinsische Prozesse interagieren, um die beobachteten anatomischen Verbindungsmuster und Antworteigenschaften der Neuronen zu erzeugen. Wir beschreiben die Entwicklung dieser Muster als einen zielorientierten (im Sinne zugrunde liegender Kostenfunktionen) selbstorganisierenden Prozess, der Informationen über die Umgebung extrahiert und dieses Wissen in neuronale Schaltkreise überführt. Ein besonderer Schwerpunkt lag auf kompetitiven Netzwerken wie der Self-Organizing Map, die Glattheit gegen Vollständigkeit der Repräsentation abwägen und zu Mustern führen, die erstaunlich gut mit experimentellen Daten übereinstimmen.

Die mathematischen Eigenschaften selbstorganisierender Karten wurden auch im Kontext des Maschinellen Lernens untersucht. Mehr dazu auf der „Forschung“sseite „Learning Vector Quantization and Self-organizing Maps”.

Danksagungen: Dieses Projekt wurde vom BMBF, der DFG, und der Technischen Universität Berlin finanziert.

Ausgewählte Publikationen:

The Effect of Intracortical Competition on the Formation of Topographic Maps in Models of Hebbian Learning
Zitatschlüssel Piepenbrock2000
Autor Piepenbrock, C. and Obermayer, K.
Seiten 345 – 353
Jahr 2000
ISSN 0340-1200
DOI 10.1007/s004220050588
Journal Biological Cybernetics
Jahrgang 82
Nummer 4
Verlag Springer-Verlag
Zusammenfassung Correlation based learning models (CBL) and self-organizing maps (SOM) are two classes of Hebbian models that have both been proposed to explain the activity driven formation of cortical maps. Both models differ significantly in the way lateral cortical interactions are treated leading to different predictions for the formation of receptive fields. The linear CBL models predict that receptive field profiles are determined by the average values and the spatial correlations of second order of the afferent activity patterns, wheras SOM models map stimulus features. Here we investigate a class of models which are characterized by a variable degree of lateral competition and which have the CBL and SOM models as limit cases. We show that there exists a critical value for intracortical competition below which the model exhibits CBL properties and above which feature mapping sets in. The class of models is then analyzed with respect to the formation of topographic maps between two layers of neurons. For Gaussian input stimuli we find that localized receptive fields and topographic maps emerge above the critical value for intracortical competition and we calculate this value as a function of the size of the input stimuli and the range of the lateral interaction function. Additionally, we show that the learning rule can be derived via the optimization of a global cost function in a framework of probabilistic output neurons which represent a set of input stimuli by a sparse code.
Typ der Publikation Selected:development
Link zur Publikation Link zur Originalpublikation Download Bibtex Eintrag

Nach oben

Navigation

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe