¿Cuáles son algunas reglas comunes de plasticidad en la mayoría de las redes neuronales artificiales?

Dos reglas citadas en este artículo de 2014 Modelado de la plasticidad neuronal en las redes de estado eco para la predicción de series temporales son:

1) regla de aprendizaje anti-Oja

“La regla de aprendizaje de Oja, propuesta por Erkki Oja, es un modelo de cómo las neuronas en el cerebro o en las redes neuronales artificiales alteran la fuerza de conexión, o aprenden, con el tiempo. Es una modificación de la Regla de Hebb estándar que, a través de la normalización multiplicativa , resuelve los problemas de estabilidad y genera un algoritmo para el análisis de componentes principales. Esta es una forma computacional de un efecto que se cree que ocurre en las neuronas biológicas “.

y

2) Regla de aprendizaje Bienenstock-Cooper-Munro (BCM)

La regla BCM también sigue el principio de aprendizaje de Hebb, con un umbral deslizante como la función estabilizadora para controlar la alteración sináptica. La modificación del umbral controla la actividad reductora y creciente de las neuronas. Esto lleva a una autorregulación de la plasticidad y, con suerte, a una mejor estabilidad.

Este otro artículo El modelado computacional de la plasticidad neuronal para la autoorganización de redes neuronales cubre más de ellos, para varios tipos de redes neuronales artificiales.