【论文分享】脉冲神经网络之间的信息传递与类比学习，基于星形胶质细胞
文章目录
- 概览
- CSN网络架构
-
- 输入层
- 中间层
- 输出层
- CNAN架构
-
- 星形胶质细胞
- 架构
- 分别训练
- 信息编码探究
- 把CNAN连到CSN，以及信息传递探究
- 连接后的表现分析
-
- 准确率
- 输出层神经元响应
- 最终结论
全名：
Information Transmitted From Bioinspired Neuron–Astrocyte Network Improves Cortical Spiking Network’s Pattern Recognition Performance
这篇论文讨论的主题是两个脉冲神经网络之间的信息传递，我不打算把全文翻译下来，仅仅是讲解一下思路。
概览
论文的核心在于两个网络之间的通信，请记住，一切的铺垫都是为了这个目标。
列出一些关键词，这些关键词是文中的关键概念：
- astrocyte: 星形胶质细胞
- CSN: cortical spiking network，一个网络
- CNAN: cortical neuron-astrocyte network，另一个网络
- CSN对应MNIST数据集，CNAN在Alpha-dight上训练
- pyramidal: 一种兴奋性神经元
- interneuron: 一种抑制性神经元
- AMPA：一种兴奋性突触
- GAPA：一种抑制性突触
CSN网络架构
CSN分三层，输入，中间，输出。
输入层
第一个问题就是如何将图片编码成spike事件。
运用了一个理论叫做长椭球波函数（prolate spheroidal wave functions (PSWF)），我去查过这个函数的论文，全是公式，所以简单提一下即可。具体用法就是先将图片的每一个像素变成一个正弦信号，然后对信号求和得到：informative signal of image
还没完，对这个信号求均值可以得到一个强度，把这个强度作为泊松分布的速率常数，即可得到脉冲序列。
中间层
中间层的结构比较复杂。
先说神经元。有piramidal 和interneuron 两种，比例是8：2。为什么是这个比例呢，这个有一定的经验依据，灵长类动物体内这种兴奋：抑制=8：2 的比例很常见（突然想到二八定律，或许看似不公平才是公平），这个比例可以维持兴奋和抑制平衡
再说突触。层内任意两个神经元之间连接概率为0.2。每个神经元都有多输入，多输出。输入可以是兴奋或者抑制，影响当前膜电位，输出由当前神经元性质决定，如果是兴奋，输出全是兴奋。
最后探讨一下数量问题。文中piramidal + interneuron = 5000，那么总的突触应该有：
500 0 2 × 0.2 = 5000000 ≈ 5001605 5000^2\times0.2 = 5000000 \approx 5001605 50002×0.2=5000000≈5001605
这个数量波动是因为概率，所以很合理。
输出层
因为是MNIST数据集，所以输出层有10个神经元，全是椎体细胞，与第二层全连接。
通常的输出层判断是通过响应频率来判断的，频率最大（the highest spike rate）的就是目标的类别，这个网络也是（注：另一种判断是通过最先响应来判断），注意表述区别。
顺带说一下神经元模型和STDP。
兴奋性神经元的公式如下，类似于RC电路，实际上LIF模型就是RC电路的近亲，但是具体学起来还得看神经动力学。
STDP的公式如右上角，那么就会有四种情况：
- 突触前神经元比突触后神经元先激发，且时间接近，说明这两个激发有强烈因果关系，大力增加权重。
- 突触前神经元比突触后神经元先激发，但时间有点远，说明这两个激发可能有一点因果关系，加一点权重。
- 突触后神经元先激发，突触前神经元才激发，说明这两个没关系。同样根据时间差，确定权重减小的力度。
CNAN架构
星形胶质细胞
Astrocyte：星形胶质细胞自身无法产生动作电位，但是也具有受体和输出。受体接受神经递质（前面神经元的影响）释放化学物质影响后面的神经元。具体公式非常复杂，但是大致作用，就是进行突触前和突触后神经元的双向通信。
之所以是双向通信，我看完公式的感觉就是，他实际上不是直接刺激，而是通过改变神经元间化学物质的浓度来实现影响突触的，所以是双向的。（这里仅做猜想，我没细看公式）
架构
具体用法就是将Astrocyte分配到椎体神经元和中间神经元中间的突触间隙，可以简单理解为插进中间。注意，只能是这两种不同种的插入。
实际实现是将1501674个全连接Astrocyte添加到CSN中，这个数量需要考究：
因为这个只能在不同种神经元间插入，所以用8：2 算出椎体有4000，中间神经元有1000，然后因为实际中我们不能模拟那个化学物质，所以干脆就建立双向通道，两个突触。最后还要注意有个0.2的概率。
4000 ∗ 1000 ∗ 2 ∗ 0.2 = 1600000 ≈ 1501674 4000*1000*2*0.2=1600000\approx 1501674 4000∗1000∗2∗0.2=1600000≈1501674
虽然这个差的有点多，但是目前也只能算到这个地步了。
最后，学习方法还用的是STDP，同样的一大堆公式，更复杂了。
分别训练
说完两个架构了，然后就要在CSN-MNIST，CNAN-Alpha-dight两个组合上验证精度了。
Alpha-dight数据集是MNIST的加强，不仅有10个数字，还加入了26个英文字母，因为是混合数据集，所以很多网络的训练精度就会比MNIST下降很多。同时，为了保证信息交换，需要将Alpha-dight数据集图片大小变成 28 × 28 28\times 28 28×28
通过分析下面两个图，可以的出初步结论：两个网络各自的表现都要优于同类算法。
信息编码探究
LFP：评估神经元群体集体行为的量
具体展开比较复杂，总的来说，就是通过一通计算，得出两个数字,82.3% CSN,87.54% CNAN，所以CNAN提供了更强的信息编码。
进一步解释这个数字的含义。如果训练后的CNAN的输入对应于模式“A”，则分类神经元“A”的LFP功率谱的PSWF系数的87.54%将等于一些突触权重之和。
具体解释下这个突出权重。
我们知道，深度学习网络，当有输入时，每一层的所有权重连接都会被全部激活。而脉冲神经网络只会激活一部分，有一种这些权重属于那个输入的感觉，这样就有一个因果的感觉。
在CNAN中，“A”模式输入后，会把CNAN（中间层）到分类神经元（输出层的）之间的一部分突触激活，这些突触对应“A”模式，而这些对应“A”模式的突触权重和就是上面说的权重。所以这个数字可以初步理解为权重对结果的贡献比较大，从输入到输出信息保留度比较大。
把CNAN连到CSN，以及信息传递探究
前面说CNAN有更强的信息编码功能，那这里就将CNAN作为一个编码后输入，给CSN提供更多信息。
然而直接连不太行，需要进行处理。这个处理用到了LFP以及一些同步技术，这个同步技术就是两个脉冲神经网络之间的信息传输。本文还通过穷举搜索到近似最佳的同步参数，来实现最大化保留传输的信息。
注意网络架构也改了，输出层变成了36+10，那个10对应于CSN。
连接后的表现分析
准确率
CNAN在Alpha-digit训练，CSN在MNIST训练，连接后，CNAN将信息以87.47%的比例传到CSN。这个信息包括了Alpha-digit的信息，因此虽然CSN没经过字母训练，但是也可以识别字母。
字母识别效果和CNAN类似，有所降低就是前面那个比例。这里也可以证明那个比例可以代表信息传递效率。数字识别效果和CSN类似。
输出层神经元响应
其实在前面我们就应该有一个疑问，CNAN里的10个和CSN里的10个数字，会不会重复了，最后识别出来的算谁的？这就是这章讨论的内容。
横轴：输入模式
纵轴：响应模式
颜色：右边的cmap，代表响应频率
可以看到，在Alpha-digit的数字模式中，Alpha-digit和MNIST响应差不多，但是MNIST数字中，ALpha-dight响应就很低，说明数字的响应不依赖于CNAN，基本是来自于CSN的，于是输出层可以变成26+10，删去CNAN中的10个数字节点。
最终结论
Alpha：CSN可以识别Alpha字母，说明信息可以在神经网络之间传递，这个在脑区协作的情境下或许会有很大的作用。
数字：虽然删掉了10个节点，但还是可以用MNIST中训练出来的数字识别能力识别Alpha-dight的数字，这说明信息传输不仅可以无中生有，还可以将相似信息迁移，有助于进行进行类比学习，迁移学习。
运用这两个结论，还可以解决一些场景下SNN训练比较耗能耗时的问题。