Surrogate Gradients for Gradient-Based Parameter Estimation in Simplified Neuron Models
Dit artikel introduceert een differentieerbaar Adaptive Exponential Integrate-and-Fire-model met behulp van surrogaatgradiënten binnen het Jaxley-framework, waarbij wordt aangetoond dat hoewel deze aanpak efficiënte gradiëntgebaseerde parametervestiging voor subthreshold-dynamiek mogelijk maakt, het momenteel er niet in slaagt om gradiëntvrije methoden te overtreffen bij het herstellen van volledige spike-treinen vanwege de niet-differentieerbare aard van het spike-mechanisme.