发表机构
The Solomon H. Snyder Department of Neuroscience, Johns Hopkins University; Department of Psychological and Brain Sciences, Johns Hopkins University; Kavli Neuroscience Discovery Institute, Johns Hopkins University（约翰斯·霍普金斯大学 Solomon H. Snyder 神经科学系; 约翰斯·霍普金斯大学心理与脑科学系; 约翰斯·霍普金斯大学 Kavli 神经科学发现研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出一个博弈论框架，将STDP与PSP的奇偶匹配与否分别映射为势博弈和零和博弈，分别实现对比PCA和流选择，从而统一解释任意STDP规则下的学习动力学与计算。
AI 中文摘要
目前尚不存在一个通用框架来推断尖峰时序依赖可塑性（STDP）的计算作用。在此，我们为具有一般STDP和突触后电位（PSP）核的典型收敛神经回路建立了一个博弈论描述。奇偶匹配的STDP-PSP相互作用在突触前神经元之间诱导出一个势博弈，而奇偶不匹配的相互作用则诱导出一个零和博弈。这些组成部分分别实现了对比主成分分析（contrastive PCA）和流选择；它们的加权相互作用决定了任意STDP规则下的学习动力学和计算。
英文摘要
A general framework for inferring the computational role of spike-timing-dependent plasticity (STDP) does not currently exist. Here, we develop a game-theoretic description for a canonical, convergent neural circuit with general STDP and postsynaptic-potential (PSP) kernels. Parity-matched STDP-PSP interactions induce a potential game among presynaptic neurons, whereas parity-mismatched interactions induce a zero-sum game. These components, respectively, implement contrastive PCA and flow selection; their weighted interplay determines learning dynamics and computation for arbitrary STDP rules.
