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
- 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。
- 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。
- 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]
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
常见误区
出处
- Bienenstock, Cooper & Munro 1982, J Neurosci