# Структурированное раннее обучение сформировало у мышей и моделей гибкую стратегию в обонятельной задаче

- Опубликовано: 2026-11-16 00:43 UTC
- Раздел: Жизнь и здоровье › Нейротехнологии
- Теги: структурированное раннее обучение, медиальная энторинальная кора, обонятельная задача на время, рекуррентные модели контуров, нейронная динамика у мышей, обобщение при обучении, отсроченное неповторение образца, низкоразмерное многообразие, Nature Neuroscience
- Адрес: https://realtech.media/ru/news/rt-342f2c47bc5d2075851c64e2_strukturirovannoe_rannee_obuchenie/

**Группа Джона К. Боулера и Джеймса Г. Хейса сравнила обучение с поэтапной подготовкой и без неё на моделях и мышах: подготовленные модели решили задачу без ошибок.**

![Structured early training gave mice and recurrent models flexible timing strategies in odor task](https://realtech.media/media/2026/11/6f8f6afbdd2f568b.jpg)
*IAEA Imagebank, Wikimedia Commons, CC BY-SA 2.0*

В исследовании, опубликованном в Nature Neuroscience, группа под руководством Джона К. Боулера и Джеймса Г. Хейса изучила, как структура раннего обучения влияет на последующее. Авторы сочетали рекуррентные модели нейронных контуров с записями активности медиальной энторинальной коры мышей [1]. По данным авторов, без структурированного раннего опыта и модели, и мыши вырабатывали жёсткие стратегии с ошибками, тогда как структурированное обучение формировало нейронную активность, отражающую временную структуру задачи [1].

## Обонятельная задача на время и устройство моделей

Задача была временным вариантом отсроченного неповторения образца. Субъект оценивал два последовательных предъявления одного запаха с фиксированным интервалом три секунды. Каждый запах длился две секунды (короткий) или пять секунд (длинный). Пробы шли псевдослучайными блоками по четыре: одна проба совпадения (короткий-короткий) и два типа несовпадения, короткий-длинный и длинный-короткий. Пробы длинный-длинный исключили. Мыши должны были не лизать во время первого стимула, паузы и проб совпадения и лизать в трёхсекундном окне после окончания второго сигнала в пробах несовпадения. Вспышка света длительностью 250 миллисекунд за три секунды до запаха сигнализировала начало пробы [1].

Модель представляла собой полносвязный слой из 128 рекуррентных блоков с утечкой и одним выходным блоком. Модели прошли 1000 блоков по четыре пробы. Подготовленные сети получили 300 начальных блоков проб несовпадения, а контрольные обучались сразу на полной задаче [1].

## Различия в динамике и связях

Неподготовленные сети делали типичные ошибки: преждевременные ответы во время длинного сигнала в пробах длинный-короткий и ослабленные ответы в пробах короткий-длинный, из-за чего выходные профили перекрывались и эффективный порог решения задать было нельзя. Подготовленные сети решали задачу без ошибок и сохраняли устойчивость при росте входного шума и временного дрожания сигналов; главный эффект подготовки был значим (F1,242 = 215,31, P = 2,67 × 10^-35) [1].

В подготовленных сетях первые три главные компоненты описывали больше дисперсии (t = 4,3, P = 2,78 × 10^-4), а спутанность траекторий была ниже, чем в неподготовленных (P = 0,02). Декодеры прошедшего времени пробы работали лучше в подготовленных сетях, в том числе между типами проб (t = 12,1, P = 1,3 × 10^-23) [1].

Разложение рекуррентных весов по собственным значениям показало в подготовленных сетях две сопряжённые пары комплексных собственных значений, которых не было в неподготовленных. Классификатор по этим значениям безошибочно определял историю обучения. Когда у наивных сетей в первые 300 блоков подгоняли ведущие собственные значения под подготовленные, модели достигали меньшей среднеквадратичной ошибки, чем контрольные (t = 2,266, P = 0,0377) [1].

## Источники

1. [Nature Neuroscience](https://doi.org/10.1038/s41593-026-02409-7)
2. [bioengineer.org](https://bioengineer.org/structured-early-training-shapes-neural-dynamics-and-strategy-learning-in-mice)

---

Источник: RealTech, realtech.media — https://realtech.media/ru/news/rt-342f2c47bc5d2075851c64e2_strukturirovannoe_rannee_obuchenie/
