基于经验学习的记忆和识别高斯吸引子网络

广泛认为吸引子网络是跨不同物种的动物记忆系统的基础。 现有的模型已经成功地定性地建模了吸引子动力学特性，但是它们的计算能力常常因对现实的复杂模式，伪造的吸引子，低存储容量以及难以识别吸引子的吸引而表现得很差。 我们提出了一个简单的两层架构，即高斯吸引子网络，如果要存储的模式不相关，则它没有伪吸引子，并且可以存储与输出层中神经元数量一样多的模式。 同时，可以精确地量化和操纵有吸引力的领域。 配备依赖于经验的无监督学习策略，该网络可以展示离散的和连续的吸引子动力学。 基于数值模拟的可检验的预测是，大脑中存在神经元，它们最初可以区分两个相似的刺激，但是在广泛暴露于物理中间刺激后则无法识别。 受此网络的启发，我们发现将一些本地反馈添加到著名的分层视觉识别模型HMAX中，可以使模型重现一些与高级视觉感知有关的最新实验结果。