沙沙作響的樹葉，搖搖欲墜的樹枝：對一只小鼠而言，只要不是一只貓突然從矮樹叢蹦出，這些感覺印象起初可能似乎是無害的，但是如果確實是貓出現的話，這些感覺印象就是掩蓋威脅生命的危險的信號。如今，在一項新的研究中，來自德國哥廷根市馬克斯-普朗克實驗醫學研究所（Max Planck Institute of Experimental Medicine）的Robert Gütig發現大腦如何能夠將感官知覺與一段時間延遲后發生的事件相關聯起來。在一種計算機模型中，他開發出一種學習程序，在這種程序中，虛擬神經元（model neuron，也譯作模型神經元，即通過編程在計算機中模擬真實的神經元）能夠學著通過調整它們對很多不同的環境刺激出現頻率作出的反應來區分它們。當刺激信號和事件或結果之間存在時間延遲（或者說時間差）時，這種模型尤為管用。Gütig的學習程序不僅在每種活的生物中至關重要，因為這能夠讓它們過濾環境刺激，而且它也有助于解決許多技術學習難題。一種可能的應用就是開發語言識別程序。相關研究結果發表在2016年3月4日那期Science期刊上，論文標題為“Spiking neurons can discover predictive features by aggregate-label learning”。
在動物世界中，經常先于危險出現的是警告信號：泄露危險信息的聲音、移動和氣味可能就是攻擊即將來臨的征兆。如果一只小鼠在貓的攻擊下存活下來，那么如果它從這次失敗的攻擊企圖中學到經驗從而在下次較早地識別出這些信號，那么它的未來將更加光明。然而，如果小鼠持續接觸到大量的感覺印象，那么這些印象當中的大多數將不會與危險相關聯。因此，它們如何知道來自環境中的哪些聲音和氣味會預示著貓攻擊，而哪些不會？
這給小鼠的大腦帶來問題。在大多數情形下，至關重要的環境刺激會與真實的攻擊暫時地分離開，因此大腦必須將一種刺激信號與隨后產生的事件（比如，聲音和攻擊）關聯起來，即便是它們之間存在時間延遲。之前的理論并沒有令人滿意地解釋大腦如何將一種信號與與之相關聯的結果聯系起來。Robert Gütig發現了大腦如何能夠解決這個問題。在計算機上，他通過編程設計出一種神經網絡，這種神經網絡以與一群生物細胞相同的方式對環境刺激作出反應。這種神經網絡能夠學習過濾掉可以預測隨后事件的刺激信號。
它依賴于頻率
這種神經網絡通過增強或削弱虛擬神經元之間的特異性突觸連接進行學習。這種計算機模型的基礎就是一種突觸學習規則，在這種規則下，單個虛擬神經元能夠增加或降低它們的活性來對簡單的學習信號作出反應。Gütig已經利用這種學習規則開發出一種新的學習程序。Gütig解釋道，“這種‘聚合-標簽（aggregate-label）’學習程序根基于在細胞之間建立連接---建立方式為在一段時間內所形成的神經活性與刺激信號數量成正比---的概念。”通過這種方式，如果一種學習信號反映了小鼠環境中某些事件的發生和強度，那么虛擬神經元就學習對環境刺激作出反應，從而預測隨后發生的事件。
然而，即便在環境中不能產生學習信號，Gütig的神經網絡也能夠學著對環境刺激作出反應。這是通過將網絡中的平均神經活性理解為學習信號來實現的。單個虛擬神經元學著對環境刺激作出反應，而且網絡中的其他虛擬神經元也對同樣出現數量的環境刺激作出反應。這種“自我監督的”學習所遵從的原理不同于經常應用于人工神經網絡的赫布理論（Hebbian theory）。赫布網絡通過增強同時或者緊接著發出神經沖動的虛擬神經元之間的突觸連接來進行學習。Gütig說，“在自我監督學習中，神經活性暫時保持一致不是必需的。在給定的時間內，神經沖動總數是突觸變化的決定性因素。”這意味著即便在這些神經網絡各自的神經表征（neural representation）之間存在顯著的時間延遲，它們也能夠關聯不同類型的感官（如視覺、聽覺和嗅覺）信息。
Gütig的學習過程不僅能夠解釋生物學過程，而且也為極大改進諸如自動化語言識別之類的技術應用奠定基礎。這可能會促進大量簡化對基于計算機的語言識別的培訓需求，從而無需通過費力分割的語言數據庫或者復雜的分割算法就可完成任務。