Evolving Self-Assembling Neural Networks: From Spontaneous Activity to Experience-Dependent Learning

生物神经网络具有高度可塑性的特点，这是自然有机体适应性强的核心属性。重要的是，这种能力影响到神经系统的突触强度和拓扑结构。另一方面，人工神经网络主要被设计为静态、全连接结构，在面对不断变化的环境和新的输入时容易出现脆弱性。在神经发育程序（NDPs）的基础上，我们提出了一类自组织神经网络，可以在活动和奖励依赖的方式下进行突触和结构可塑性，我们称之为终身神经发育程序（LNDP）。我们提出了一个基于图形转换器架构的网络实例，并提出了一种基于感觉神经自发活动的预体验可塑性机制。我们的结果表明，该模型能够从随机连接或空网络开始，在不同的控制任务中学习。我们进一步证明了结构可塑性在需要快速适应或非稳态奖励的环境中具有优势。

本论文试图解决人工神经网络在应对环境变化和新输入时易受损的问题，提出了一种Lifelong Neural Developmental Program (LNDP)的自组织神经网络结构，能够在活动和奖励的影响下进行突触和结构可塑性。

LNDP是一种自组织神经网络结构，具有突触和结构可塑性，能够根据活动和奖励进行自我调节和适应，从而更好地应对环境变化和新输入。

论文提出的LNDP结构能够从随机连接或空网络开始学习不同的控制任务，并且在需要快速适应或奖励非稳定的环境中具有优势。论文使用了图形转换器架构，并提出了一种基于感觉神经元自发活动的预经验可塑性机制。

最近的相关研究包括《Neural Developmental Networks for Learning to Represent Programs》、《Self-Organizing Neural Networks with Adaptive Structural Plasticity》等。