دانلود کتاب Theory of Cortical Plasticity (به فارسی: نظریه پلاستیسیته قشر مغز) نوشته شده توسط «Leon N. Cooper – Brian S. Blais – Harel Z. Shouval – Nathan Intrator»
اطلاعات کتاب نظریه پلاستیسیته قشر مغز
موضوع اصلی: 1
نوع: کتاب الکترونیکی
ناشر: World Scientific Publishing Company
نویسنده: Leon N. Cooper – Brian S. Blais – Harel Z. Shouval – Nathan Intrator
زبان: English
فرمت کتاب: djvu (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2004
تعداد صفحه: 334
حجم کتاب: 5 مگابایت
کد کتاب: 9789812387462 , 9812387463 , 9812387919
توضیحات کتاب نظریه پلاستیسیته قشر مغز
این کتاب مهم و جالبی است که برخی از ایده های اساسی در مورد “قابلیت قشری” را مرور می کند، که فرآیندی است که در واقع زیربنای هوش و “ذهن” است. کوپر و همکارانش در یک دوره زمانی طولانی کمک های مفیدی کرده اند و بیشتر ایده های کلیدی آنها در این کتاب پوشش داده شده است. همچنین تلاش قابل تحسینی برای پیوند دادن مدل ها به داده های تجربی وجود دارد.
اما در حالی که آنها برخی از ابزارها و ایده های مهم را ارائه می دهند، از درک موضوع اسمی خود بسیار دور هستند. تا حدی این نشان دهنده وابستگی قابل درک آنها به ایده حیوان خانگی خود، قانون معروف “BCM” است. این در ابتدا برای حل مشکل استاندارد تقویت سیناپس فراری در یک مدل ساده Hebb در نظر گرفته شده بود (Oja راه حلی حتی زیباتر را در همان زمان و مکان ارائه کرد). اما سپس آنها به آرامی متوجه شدند که شکل غیرخطی قاعده آنها همچنین حساسیت مفیدی را به آمار ورودی که فراتر از مدل Oja است می دهد، و کتاب این پیشرفت را به خوبی توضیح می دهد. اما واقعاً 2 مشکل جداگانه در اینجا وجود دارد: حساسیت به آمارهای پیچیده و تثبیت دینامیکی، و مشخص نیست که BCM منحصرا بهترین راه حل برای هر دو باشد. علاوه بر این، تلاش‌ها برای ارائه یک مبنای مکانیکی مطمئن برای قانون BCM چندان قانع‌کننده نبوده است، تا حدی به این دلیل که شخص واقعاً نیاز به استفاده از چارچوبی (“STDP”) دارد که بسیار نزدیک‌تر به زیست‌شناسی است.
در حالی که نویسندگان بر راه‌حل‌های حیوانات خانگی برای مشکلات نسبتاً آسان و واضح تمرکز می‌کنند، آنها کاملاً از دست فیل در اتاق قشر مغز می‌افتند: «تقاطع» بین سیناپس‌ها به این معنی است که هیچ سیناپس واقعی نمی‌تواند از آمارهای مرتبه بالاتر بیاموزد، مگر اینکه بخش عمده‌ای از قشر به بحث متقابل اختصاص داده شود. -تخفیف یکی از احتمالات بسیار جذاب این است که بیشتر مدارهای قشر مغز در واقع به یک عملیات “تصحیح” اختصاص داده شده است، که امکان دقت سیناپسی بی سابقه ای را فراهم می کند که زیربنای محاسبات و یادگیری قدرتمند است (به […] مراجعه کنید). آنچه مهم است شکل دقیق قانون یادگیری نیست، بلکه دقت آن است.
But while they provide some important tools and ideas, they are very far from understanding their nominal topic. Partly this reflects their understandable attachment to their own pet idea, the famous “BCM” rule. This was originally intended to solve the standard problem of runaway synapse strengthening in a simple Hebb model (Oja came up with an even more elegant solution around the same time and place). But then they slowly realised that the nonlinear form of their rule also conferred useful sensitivity to input statistics that goes beyond the Oja model, and the book explains this advance quite nicely. But really there are 2 separate problems here: sensitivity to sophisticated statistics, and dynamical stabilisation, and it’s not clear that BCM is the uniquely best solution to either. Furthermore, attempts to provide a secure mechanistic basis for the BCM rule have not been very convincing, in part because one really needs to use a framework (“STDP”) that is much closer to biology.
While the authors focus on pet solutions to relatively easy and obvious problems, they completely miss the elephant in the cortical room: “crosstalk” between synapses means that no real synapses can actually learn from higher-order statistics unless much of cortex is devoted to crosstalk-mitigation. One very attractive possibility is that most cortical circuitry is actually devoted to a “proofreading” operation, that allows the unprecedented synaptic accuracy that underlies powerful computation and learning (see […]). What matters is not the precise form of the learning rule, but its accuracy.
دانلود کتاب «نظریه پلاستیسیته قشر مغز»
