神经网络与行为及神经系统的学习、演化探索
1. 神经网络在动物学习中的应用
神经网络是动物学习的潜在强大模型，但要基于此建立令人满意的学习理论，仍有许多工作要做。目前，许多学习现象尚未得到建模。不过，神经网络模型在学习方面有一些显著优势：
-综合多方面知识：能平滑地整合行为观察和神经生物学的知识。大多数学习理论，包括当代理论，仅基于行为观察。
-具体解释内部因素：学习的内部因素可以得到具体解释。记忆通过连接权重定义，学习则通过连接权重的变化来定义。权重变化的机制包括局部因素（如取决于突触前后节点的活动）和全局信号（有选择地将网络其他部分的信息传递到特定连接）。
-继承行为系统特征：继承了行为系统的所有特征，包括感官处理、决策和运动控制。学习机制与行为系统集成，成为同一网络操作中不同且可明确识别的方面。例如，能对刺激进行现实处理，还能利用网络作为输入 - 输出映射的能力产生和传递指导学习的全局信号。
然而，神经网络学习模型也面临挑战和问题。学习的多样性和复杂性是主要挑战，特别是 retroactive interference问题，网络在学习新信息时，旧信息可能几乎被完全覆盖。尽管近年来取得了相当大的进展，但仍需了解如何在神经网络中更好地保护记忆。广义上的个体发育的神经网络模型也未得到令人满意的发展，需要新思路来建模新节点的生成、属性获取、连接的建立和优化，以及如何使这些过程适应产生功能性行为。
神经网络学习和个体发育模型可能有助于理解天性与教养问题以及学习的进化。基因和行为在不同层面运作，但有关基因如何决定网络架构、局部机制和
