[論文レビュー] ROC Curves Within the Framework of Neural Network Assembly Memory Model: Some Analytic Results

P.M. Gopych|ArXiv.org|Sep 7, 2003

Memory Processes and Influences参考文献 14被引用数 7

ひとこと要約

この論文は、ニューラルネットワークアセンブリメモリモデル（NNAMM）内において、2層自己自己関連ホフホードネットワークの畳み込み（ハミング）版を用いて、解析的最適受信機特性（ROC）曲線を導出する。修正されたROC（mROC）を導入し、事前確率を組み込むことで、実験的結果と計算結果の間で正確な定量的一致を示し、キュー強度の推定が可能となり、1要因の神経ネットワークフレームワーク内で二重プロセス記憶現象を説明できる。

ABSTRACT

On the basis of convolutional (Hamming) version of recent Neural Network Assembly Memory Model (NNAMM) for intact two-layer autoassociative Hopfield network optimal receiver operating characteristics (ROCs) have been derived analytically. A method of taking into account explicitly a priori probabilities of alternative hypotheses on the structure of information initiating memory trace retrieval and modified ROCs (mROCs, a posteriori probabilities of correct recall vs. false alarm probability) are introduced. The comparison of empirical and calculated ROCs (or mROCs) demonstrates that they coincide quantitatively and in this way intensities of cues used in appropriate experiments may be estimated. It has been found that basic ROC properties which are one of experimental findings underpinning dual-process models of recognition memory can be explained within our one-factor NNAMM.

研究の動機と目的

• 完全な2層自己自己関連ホフホードネットワークに対して、ニューラルネットワークアセンブリメモリモデル（NNAMM）の枠組み内で解析的最適ROC曲線を導出すること。
• 代替仮説の事前確率を記憶トレースの再構築プロセスに組み込むこと。
• 正しい再考の事後確率を縦軸、誤検出確率を横軸にとる修正されたROC（mROC）を導入すること。
• 実験的mROCと計算されたmROCの比較を通じてモデルを検証し、実験におけるキュー強度の推定を可能にすること。
• 1要因の神経ネットワークモデルを用いて、二重プロセス認識記憶現象を説明すること。

提案手法

• 2層自己自己関連ホフホードネットワークのための畳み込み（ハミング）版のニューラルネットワークアセンブリメモリモデル（NNAMM）を用いる。
• ネットワークの構造と再構築ダイナミクスに基づいて、最適ROC曲線を解析的に導出する。
• キュー依存の記憶パフォーマンスをモデル化するため、仮説の事前確率を再構築プロセスに統合する。
• 縦軸に正しい再考の事後確率、横軸に誤検出確率をとる修正されたROC（mROC）を導入する。
• 認識記憶実験からの実験データと比較して、シミュレーションを実施する。
• 数学的導出と実験データとの照合を通じて、モデルの正確性を確認する。

実験結果

リサーチクエスチョン

• RQ1 自己自己関連ホフホードネットワークの枠組み内で、ニューラルネットワークアセンブリメモリモデルの枠組み内に解析的ROC曲線を導出できるか？
• RQ2 仮説の事前確率を、記憶再構築メカニズムに明示的に統合することで、モデルの現実性を向上させることは可能か？
• RQ3 導出された修正ROC（mROC）は、実験的認識記憶データを正確に反映しているか？
• RQ4 二重プロセス記憶現象は、どの程度まで1要因の神経ネットワークモデルで説明可能か？
• RQ5 実験的mROCと計算されたmROCの一致から、記憶実験におけるキュー強度を推定できるか？

主な発見

• NNAMMフレームワーク内での最適ROC曲線の解析的導出は、実験的ROCデータと定量的に一致し、モデルの予測能力を検証する。
• 正しい再考の事後確率と誤検出確率を組み込んだ修正ROC（mROC）は、実験結果と正確に一致する。
• 実験的mROCと計算されたmROCの定量的比較を通じて、認識記憶実験で用いられたキュー強度を正確に推定できる。
• かつて二重プロセスモデルに起因するとされてきたROC曲線の基本的性質が、1要因の神経ネットワークモデル内で説明可能である。
• NNAMMの畳み込み（ハミング）版は、記憶再構築のダイナミクスを的確に捉え、パフォーマンス指標の解析的導出を支援する。