计算神经科学把大脑写成方程

知识地图 › 03 突触与可塑性 › 3.5

3.5

BCM 规则与滑动阈值

BCM rule and sliding threshold

★★★ 进阶学习规则

同样是"相关则增强",但阈值会跟着历史活动漂移,从而自动稳定网络。

核心要点

  1. 阈值 θ 取输出平方的滑动平均:活动越强,θ 越高,LTD 越容易发生。
  2. 这实现了"双向可塑性 + 稳定性"的统一,是元可塑性(metaplasticity)的经典例子。
  3. BCM 可视为对输出分布做某种形式的归一化/白化。

公式

Δ w=η φ(y,θ) x,
θ=E[y2]

φ(y,θ)=y(y−θ) 是 y 的奇函数——弱活动(y<θ)削弱、强活动(y>θ)增强;θ 是输出平方的滑动平均。

直觉

这是一种"期望值自适应":如果你最近一直很活跃,那么"正常水平"就被抬高了,只有比平时更强才算"真的学到了"。

常见误区

把 θ 当常数。θ 的时间常数决定了网络对活动水平的记忆长度,是控制稳定性与选择性之间权衡的关键旋钮。

出处

  • Bienenstock, Cooper & Munro 1982, J Neurosci
回到模块 03