- 本文采用信息论方法来评估类别学习所引发的神经表示的效率。 - 最小化编码成本意味着最大化类别和神经活动之间的互信息。 - 通过分析神经费舍尔信息，我们发现类别学习在决策边界附近引发了神经空间的扩展。 - 数值实验表明，编码神经群体的费舍尔信息与类别边界相一致。 - 通过最小化编码成本和最大化互信息，类别学习导致了神经空间的扩展和度量的改变。 - 通过数值实验，我们展示了学习如何改变编码神经活动的度量。 - 通过最小化平均贝叶斯成本，我们可以将相关贝叶斯成本分解为编码部分和解码部分。 - 最小化解码成本意味着选择最佳的解码器来提供对类别的最佳估计。 - 最小化编码成本意味着最大化神经活动与类别成员资格之间的互信息。 - 通过分析神经活动和类别之间的互信息，我们可以找到适当的表示空间和度量方式。 - 类别学习导致了决策边界附近神经空间的扩展。 - 数值实验表明，学习如何改变编码神经群体的费舍尔信息，使其与类别边界相一致。