Lerengeïnduceerde dynamische transitie in recurrente neurale netwerken

Leren in recurrente neurale netwerken kan hun onderliggende dynamiek fundamenteel hervormen en aanvankelijk chaotische activiteit omzetten in stabiel taakafhankelijk gedrag. We ontwikkelen een niet-evenwichts dynamische gemiddelde-veldtheorie (DMFT) om deze overgang tijdens het leren te beschrijven. We tonen aan dat een langzaam, door feedback aangedreven leerproces een evoluerende effectieve feedbacksterkte genereert die het netwerk door een overgang van chaotische naar stabiele dynamiek drijft.