A new functional role for lateral inhibition in the striatum: Pavlovian conditioning
Notice bibliographique
Résumé
Abstract The striatum has long been implicated in reinforcement learning and has been suggested by several neurophysiological studies as the substrate for encoding the reward value of stimuli. Reward prediction error (RPE) has been used in several basal ganglia models as the underlying learning signal, which leads to Pavlovian conditioning abilities that can be simulated by the Rescorla-Wagner model.Lateral inhibition between striatal projection neurons was once thought to have a winner-take-all function, useful in selecting between possible actions. However, it has been noted that the necessary reciprocal connections for this interpretation are too few, and the relative strength of these synaptic connections is weak. Still, modeling studies show that lateral inhibition does have an overall suppression effect on striatal activity and may play an important role in striatal processing.Neurophysiological recordings show task-relevant ensembles of responsive neurons at specific points in a behavioral paradigm (Barnes et al., 2005), which appear to be induced by lateral inhibition (see Ponzi and Wickens, 2010). We have developed a similarly responding, RPE-based model of the striatum by incorporating lateral inhibition. Model neurons are assigned to either the direct or the indirect pathway but lateral connections occur within and between these groups, leading to competition between both the individual neurons and their pathways. We successfully applied this model to the simulation of Pavlovian phenomena beyond those of the Rescorla-Wagner model, including negative patterning, unovershadowing, and external inhibition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».