噪声表征学习过程中 Hebbian/anti-Hebbian 网络模型中感受野的协调漂移

基于摘要分析。该研究关注动物充分学习并稳定执行任务后，神经群体编码为何仍持续变化，提出一种机制假设：表征目标存在简并解空间，带噪突触更新使网络在近最优解空间中持续探索，从而产生表征漂移。 作者使用简单、具有生物学合理性的 Hebbian/anti-Hebbian 表征学习网络研究这一机制。作者报告，单神经元感受野的漂移可描述为协调随机游走，其有效扩散常数依赖学习率、噪声幅度及输入统计特性；尽管单神经元感受野发生变化，群体编码的表征相似性仍随时间保持稳定。这里的稳定性指群体表征关系，并不等同于固定解码器的任务性能稳定。 作者报告，模型能够复现海马 CA1 和后顶叶皮层的部分实验观察，并提出可供后续实验检验的预测。摘要未提供具体目标函数、突触更新规则、噪声形式、输入数据结构、实验数据规模或定量拟合结果；实验协议、消融及统计信息尚未验证，因此目前只能评估其机制解释，不能确认与其他漂移理论的定量优劣。 平台推测（待验证）：若长期 BCI 神经记录中的变化同样保留群体表征关系，该机制可能有助于区分编码结构变化与表征坐标漂移。可复用的是群体表征相似性与漂移扩散的分析思路；用于 EEG 时仍需处理通道混合、低信噪比、跨会话电极变化及有限数据，不能直接将传感器变化解释为神经元感受野漂移。一个小规模检验是在重复任务的跨会话记录中，同时测量表征相似性、漂移幅度和固定解码器性能，检验关系结构稳定是否伴随解码性能变化；这仅是待检验假设，已有 EEG 相关工作尚未检索确认。