[論文レビュー] A model of cortical cognitive function using hierarchical interactions of gating matrices in internal agents coding relational representations

Michael E. Hasselmo|arXiv (Cornell University)|Sep 21, 2018

Neural dynamics and brain function参考文献 68被引用数 3

ひとこと要約

本論文は、内部エージェント内の階層的ゲーティング行列を用いて、感覚入力内の関係構造を検出および予測する神経ネットワークモデルを提案する。動的関係およびアフィン変換をモデル化することで、フレームワークはシーケンスの予測に成功し、レーヴンスプログレッシブマトリクスのような抽象的推論タスクを解くことができ、新皮質における柔軟で予測可能な認知の生物学的に妥当なメカニズムを示している。

ABSTRACT

Flexible cognition requires the ability to rapidly detect systematic functions of variables and guide future behavior based on predictions. The model described here proposes a potential framework for patterns of neural activity to detect systematic functions and relations between components of sensory input and apply them in a predictive manner. This model includes multiple internal gating agents that operate within the state space of neural activity, in analogy to external agents behaving in the external environment. The multiple internal gating agents represent patterns of neural activity that detect and gate patterns of matrix connectivity representing the relations between different neural populations. The patterns of gating matrix connectivity represent functions that can be used to predict future components of a series of sensory inputs or the relationship between different features of a static sensory stimulus. The model is applied to the prediction of dynamical trajectories, the internal relationship between features of different sensory stimuli and to the prediction of affine transformations that could be useful for solving cognitive tasks such as the Ravens progressive matrices task.

研究の動機と目的

• 新皮質における柔軟で予測可能な認知の神経生物学的に妥当なフレームワークの開発。
• 神経回路が感覚特徴および時間的系列間の体系的関係を検出し、表現する方法の説明。
• 内部認知プロセスを、接続性パターンを制御するゲーティングエージェント間の動的相互作用としてモデル化。
• 予測タスク、たとえば時間的系列の予測および抽象的推論問題における変換推論へのモデルの適用。
• 階層的ゲーティングによる関係表現が、人間の問題解決で観察されるような高レベル認知機能を支援できることの実証。

提案手法

• モデルは神経集団を表す内部エージェントを用い、それらの間の接続性を制御するゲーティング行列を採用する。
• ゲーティング行列は動的に変調され、神経集団間の機能的関係を表現し、将来の状態の予測を可能にする。
• フレームワークは状態表現に列ベクトルを用い、階層的相互作用を行列演算でモデル化する。
• 感覚入力間の関係は、文脈的および予測信号に基づいてゲーティングされる接続パターンとして符号化される。
• モデルは時間的系列および静的スティムラス関係の両方、アフィン変換を含む。
• 予測性能は、系列継続タスクやレーヴンスプログレッシブマトリクスの解法といったタスクを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 神経回路は、感覚入力の構成要素間の体系的関係をどのように検出し、表現できるか？
• RQ2 脳は、現在の感覚入力および関係構造に基づいて、将来の状態を予測するにはどのようなメカニズムを用いるか？
• RQ3 ゲーティング行列の階層的相互作用は、柔軟で文脈依存の認知処理をどのように支援できるか？
• RQ4 生物学的に妥当な神経モデルは、レーヴンスプログレッシブマトリクスのような抽象的推論タスクを解けるか？
• RQ5 動的ゲーティング機構は、関係構造の変換を予測するためにどのように機能するか？

主な発見

• 階層的ゲーティングによる関係表現の使用により、モデルは時間的感覚入力の動的軌道を成功裏に予測した。
• 学習された接続パターンを用いて、静的感覚スティムラスの特徴間の内部的関係を正確にモデル化した。
• フレームワークはアフィン変換を推論および適用でき、レーヴンスプログレッシブマトリクスのような抽象的推論問題を解くために不可欠な要素を満たした。
• 列ベクトルと簡略化された表記の使用により、神経状態遷移のモデル化における明確さと一貫性が向上した。
• モデルは、生物学的に妥当なメカニズムを用いて、予測や関係的推論といった内部ゲーティングエージェントによる認知機能を模倣できることを示した。
• 改訂版（v2）は、数学的明確性を向上させ、タイプミスを是正したが、コア結果に変更は加えなかった。