[論文レビュー] Space is a latent sequence: Structured sequence learning as a unified theory of representation in the hippocampus

Rajkumar Vasudeva Raju, J. Swaroop Guntupalli+3 more|arXiv (Cornell University)|Dec 3, 2022

Memory and Neural Mechanisms被引用数 7

ひとこと要約

本稿では、海馬が構造的連続学習を通じて空間的および概念的表象を生成すると提案する。空間は幾何的マップではなく、潜在的連続として扱われる。クローン構造的因果グラフ（CSCG）を用いて、ユークリッド的仮定なしに自己中心的感覚入力から潜在的表象を学習する。空間的マップとしての場所細胞、ランドマークベクトル細胞、イベント固有のコード化といった多様な海馬現象は、すべて高次順序連続的文脈学習という統一的メカニズムによって説明可能である。

ABSTRACT

Fascinating and puzzling phenomena, such as landmark vector cells, splitter cells, and event-specific representations to name a few, are regularly discovered in the hippocampus. Without a unifying principle that can explain these divergent observations, each experiment seemingly discovers a new anomaly or coding type. Here, we provide a unifying principle that the mental representation of space is an emergent property of latent higher-order sequence learning. Treating space as a sequence resolves myriad phenomena, and suggests that the place-field mapping methodology where sequential neuron responses are interpreted in spatial and Euclidean terms might itself be a source of anomalies. Our model, called Clone-structured Causal Graph (CSCG), uses a specific higher-order graph scaffolding to learn latent representations by mapping sensory inputs to unique contexts. Learning to compress sequential and episodic experiences using CSCGs result in the emergence of cognitive maps - mental representations of spatial and conceptual relationships in an environment that are suited for planning, introspection, consolidation, and abstraction. We demonstrate that over a dozen different hippocampal phenomena, ranging from those reported in classic experiments to the most recent ones, are succinctly and mechanistically explained by our model.

研究の動機と目的

• 場所細胞、分割器細胞、時系列細胞など、多様で見かけ上関係のない海馬神経細胞群の長年の謎を解き明かすため、統一的な計算的原理を同定すること。
• 場所フィールドを直接的な空間マップと解釈する従来の見方を挑戦し、代わりにそれらが順序的文脈学習から生じることを主張すること。
• ユークリッド幾何学の事前知識なしに、自己中心的感覚運動連続から空間的および関係的表象がどのように生じるかを示すこと。
• 1つのフレームワークで十数種の海馬現象を説明できる、機械的で計算的に根拠のあるモデルを提供すること。

提案手法

• モデルは、同じ観察を異なる順序的文脈で表すための潜在状態（クローン）を学習する高次元グラフィカルモデルであるクローン構造的因果グラフ（CSCG）を用いる。
• 各クローンは、観察と順序的文脈のユニークな組み合わせに対応し、時間的ダイナミクスに応じて表象を分割または統合可能である。
• モデルは順序的チェーン構造上で正確な推論を実行するための信念伝播を採用し、遷移行列と発生確率を用いてクローン活性化の周辺後確率を計算する。
• 主要な式はクローン活性化を $ r_i(n) = P(z_n = i | x_1,\text{...},x_n, a_1,\text{...},a_{n-1}) $ で計算し、$ r(n) = \bar{r}(n) / \sum_i \bar{r}_i(n) $ による正規化を行う。ここで $ \bar{r}(n) = \mathbf{T}(a_{n-1})^\top r(n-1) \circ (E\tilde{x}_n) $ である。
• モデルは、行動のシーケンスと離散化された観察（ベクトル量子化により）を用いて学習し、環境の真の構造を反映する潜在的グラフトポロジーを学習する。
• 場所フィールドは、複数のランダムウォークにわたるクローン活性化の平均をとり、真のエージェント位置を用いてクローン活動を空間的位置にマッピングすることで計算される。

実験結果

リサーチクエスチョン

• RQ1 1つの計算的メカニズムが、場所細胞、ランドマークベクトル細胞、分割器細胞といった多様な海馬神経細胞群の出現を説明できるか。
• RQ2 場所フィールドを空間マップとして解釈する従来の見方が、海馬表象の真の順序的性質をどの程度隠蔽しているか。
• RQ3 ユークリッド幾何学を仮定せず、純粋に自己中心的感覚運動連続からどのようにアロコントリック空間的表象が生じるか。
• RQ4 環境の変化に対して場所フィールドがどのように再配置（remapping）するか。これはどのように順序ベース学習から導かれるか。
• RQ5 統一モデルが、イベント固有のコード化や関係的推論といった空間的でない海馬現象も説明できるか。

主な発見

• CSCGモデルは、アロコントリックおよびエゴセントリック設定の両方で、7×7グリッド環境の正しいトポロジカル構造を学習でき、それぞれ9および117の固有観察を達成した。
• エゴセントリック設定では、各空間的位置が4つのヘディング（向き）に対応する4つのクローンで表され、モデルが方向的文脈を符号化できる能力を示している。
• 場所フィールドはモデルのクローン活性化から自然に出現し、明示的な空間座標を必要とせず、実験的観察と一致する空間的チューニングパターンを示した。
• モデルは、順序的文脈がクローン遷移と活性化をどのように変化させるかを分析することで、環境変化に伴う場所フィールドの再配置を説明できた。
• モデルは、ランドマークベクトル細胞、時系列細胞、イベント固有の表象といった多様な海馬現象を、1つの高次順序連続学習メカニズムで説明できた。
• 信念伝播によりCSCGで正確な推論が可能となり、クローン活性化確率が数学的に正確に計算され、信頼性の高い精神的マップ形成を支援した。