A spiking network model of oscillatory memory mechanisms
Final Report Abstract
Das Gehirn kann auf der Basis von Veränderungen an Synapsen eine Gedächtnisrepräsentation für präsentierte Stimuli aufbauen. Dabei kommen drei Lernverfahren zum Einsatz: a) Lernen ohne Lehrer (unsupervised learning), b) Lernen mit Lehrer (supervised learning), c) Lernen mit Belohnung oder (reinforcement learning). Während das menschliche Gehirn ständig alle drei Lernverfahren anwendet, ist in existierende künstliche neuronale Netzwerke meist nur eines der drei Verfahren implementiert. Im vorliegenden Projekt sollte versucht werden, eine Netzwerkarchitektur zu entwickeln, die sowohl durch supervised, unsupervised und reinforcement learning Repräsentationen aufbauen kann. Gleichzeitig sollte evaluiert werden, ob eine solche neuronale Architektur die in Humanexperimenten gemessenen elektrophysiologischen Lern- und Gedächtniskorrelate zeigt. Ziel des Projekts war es, ein besseres Verständnis neuronaler Lern- und Gedächtnisprozesse zu erlangen. Abschließend kann man sagen, dass der geplante Ansatz erfolgreich umgesetzt wurde. Es konnte eine Netzwerkarchitektur implementiert werden, die durch unsupervised learning, supervised learning und durch reinforcement learning ihre synaptischen Gewichte ändert. Die Humanexperimente ergeben für ein Stimulusmaterial, das dem aus der Netzwerksimulation stark ähnelt, vergleichbare Lernkurven.
Publications
- A biologically plausible winner-takes-all architecture. In:
ICIC'09 Proceedings of the Intelligent computing 5th international conference on Emerging intelligent computing technology and applications, 2009, pp. 315-326.
Sebastian Handrich, Andreas Herzog, Andreas Wolf, Christoph S. Herrmann
- Combining supervised, unsupervised, and reinforcement
learning in a network of spiking neurons. In: Advances in Cognitive Neurodynamics (II) - Proceedings of the Second International Conference on Cognitive Neurodynamics - 2009, pp. 163-176.
Sebastian Handrich, Andreas Herzog, Andreas Wolf, Christoph S. Herrmann
(See online at https://dx.doi.org/10.1007/978-90-481-9695-1_26) - Prerequisites for integrating unsupervised and reinforcement
learning in a single network of spiking neurons. In: IJCNN'09. Proceedings of the 2009 international joint conference on Neural Networks, 2009, pp. 1025-1030.
Sebastian Handrich, Andreas Herzog, Andreas Wolf, Christoph S. Herrmann
(See online at https://dx.doi.org/10.1109/IJCNN.2009.5178728) - 2010. Transcranial alternating current stimulation enhances
individual alpha activity in human EEG. PLoS One, Vol. 5. 2010, Issue 11:e13766.
Zaehle, T., Rach, S., Herrmann, C. S.
(See online at https://dx.doi.org/10.1371/journal.pone.0013766) - 2011. Auditory event-related response in visual cortex modulates subsequent visual responses in humans. Journal of Neuroscience, Vol. 31. 2011, Issue 21, pp. 7729-7736.
Naue, N., Rach, S., Strüber, D., Huster, R. J., Zaehle, T., Körner, U., & Herrmann, C. S.
(See online at https://dx.doi.org/10.1523/JNEUROSCI.1076-11.2011) - 2011. Slow oscillating population activity in developing cortical
networks: models and experimental results. Journal of Neurophysiology, Vol. 106. 2011, no. 3, pp. 1500-1514.
Baltz, T., Herzog, A., & Voigt, T.
(See online at https://dx.doi.org/10.1152/jn.00889.2010)
