[論文レビュー] A deep learning-inspired model of the hippocampus as storage device of the brain extended dataset

Alessandro Fontana|arXiv (Cornell University)|May 26, 2017

Memory and Neural Mechanisms参考文献 6被引用数 5

ひとこと要約

本稿では、海馬が脳の「拡張データセット」——即ち、感覚経験の完全で未処理の記録——を生物学的記憶装置として機能すると提案している。この記録のおかげで、新皮質は繰り返しの曝露によって高レベルで一般化された特徴を学習できる。深層学習の原則に裏打ちされ、海馬は生データを保存することで長期記憶の統合を支援するとする。PTSD や統合失調症などの状態における構造的・機能的変化は、データセットのサイズと質に関連している。

ABSTRACT

The standard model of memory consolidation foresees that memories are initially recorded in the hippocampus, while features that capture higher-level generalisations of data are created in the cortex, where they are stored for a possibly indefinite period of time. Computer scientists have sought inspiration from nature to build machines that exhibit some of the remarkable properties present in biological systems. One of the results of this effort is represented by artificial neural networks, a class of algorithms that represent the state of the art in many artificial intelligence applications. In this work, we reverse the inspiration flow and use the experience obtained from neural networks to gain insight into the design of brain architecture and the functioning of memory. Our starting observation is that neural networks learn from data and need to be exposed to each data record many times during learning: this requires the storage of the entire dataset in computer memory. Our thesis is that the same holds true for the brain and the main role of the hippocampus is to store the "brain dataset", from which high-level features are learned and encoded in cortical neurons.

研究の動機と目的

• 海馬を一時的な記憶バッファではなく、脳の完全な感覚データセットを長期保存する装置として再定義すること。
• 人工ニューラルネットワークの知見と生物学的脳構造を結びつけること、特にデータの持続的保存が学習に与える役割に焦点を当てる。
• PTSD や統合失調症などの病理的状態を、海馬のデータセットの整合性とサイズの障害から説明すること。
• 記憶統合が、海馬に保存された持続的かつ高精度なデータセットからの皮質学習によって駆動されることを提唱すること。
• 伝統的な海馬の記憶への関与の見方を覆し、一時的な符号化ではなくデータ保存の役割として再定義すること。

提案手法

• 深層ニューラルネットワークの原則、特に学習中にデータへの繰り返し曝露の必要性を応用して、脳の記憶システムをモデル化すること。
• 深層ニューラルネットワークの層構造を、脳の灰色・白色内路の解剖的配置にマッピングし、海馬を入力データのためのリポジトリとして位置づけること。
• 内嗅皮質が海馬と新皮質の間のインターフェースとして機能すると仮定し、ニューラルネットワークのデータ転送層に類似しているとみなすこと。
• 「拡張データセット」という概念を用い、海馬に蓄えられた全感覚入力を表し、そこから皮質特徴が学習されることを示すこと。
• 海馬の萎縮や機能障害を、データセットサイズの減少（行・列の減少）としてモデル化し、病理的学習結果を分析すること。
• 統合失調症における幻覚を、不足したデータからの学習（短いデータセット）によって生じる統計的に不安定な関連性の結果とみなすこと。

実験結果

リサーチクエスチョン

• RQ1 海馬が一時的保存と転送に依存しない場合、長期記憶統合をどのように支援しているのか。
• RQ2 人工ニューラルネットワークの構造と機能が、脳の解剖にどの程度生物学的に妥当とされるのか。
• RQ3 PTSD や統合失調症における海馬の萎縮は、脳の拡張データセットのサイズまたは品質の低下によって説明可能か。
• RQ4 H.M. などの記憶障害患者が深刻な宣言的記憶障害を示しながらも、手続き的学習を保持するのはなぜか。
• RQ5 生データが持続的に利用可能でない場合、脳はどのようにして新皮質で強固な特徴学習を達成しているのか。

主な発見

• 海馬は、脳の完全で未処理の感覚データセットを長期にわたり保持する装置として機能し、皮質ネットワークによる繰り返し学習を可能にする。
• PTSD や統合失調症で観察される海馬の構造的変化は、データセットサイズの減少と相関し、病理的学習結果を引き起こす。
• PTSD では、海馬内の連関が弱まることで、仮にデータセットが「薄くなる」（行数が減る）ことにより、解離症状が生じる可能性がある。
• 統合失調症では、小さな海馬が短いデータセット（列数が少ない）を意味し、データ曝露が不十分なために、早期で信頼性の低い一般化が生じる。
• 本モデルは、H.M. の手続き的学習の保持を説明する。これは、このようなタスクが完全なデータセットを必要とせず、最小限のデータで即座に学習可能であると仮定することで成立する。
• 本モデルは、深層学習の原則と脳の解剖学を統合し、ニューラルネットワークの層を、脳の交互に配置された灰色・白色内路の構造にマッピングすることで実現している。