A Synchronization-Driven Learning Rule for Pattern Separation in Self-Organizing Probabilistic Spiking Neural Networks
Dit artikel stelt een nieuwe synchronisatiegestuurde synaptische leerregel voor voor zelforganiserende probabilistische spiking neurale netwerken, waarbij wordt aangetoond dat matige feedbackinhibitie de patroonseparatie en stabiliteit optimaliseert, waardoor het conventioneel Hebbiaans leren overtreft en succesvolle obstakelvermijding in een gesimuleerde autonome agent mogelijk maakt.