[논문 리뷰] A deep learning-inspired model of the hippocampus as storage device of the brain extended dataset

Alessandro Fontana|arXiv (Cornell University)|2017. 05. 26.

Memory and Neural Mechanisms참고 문헌 6인용 수 5

한 줄 요약

이 논문은 해마가 뇌의 '확장된 데이터셋'(감각 경험의 완전하고 처리되지 않은 기록)을 생물학적 저장 장치로 기능한다고 제안한다. 이를 통해 neocortex는 반복적인 노출을 통해 고수준의 일반화된 특징을 학습할 수 있다. 딥 러닝 원리를 바탕으로, 해마는 원시 데이터를 유지함으로써 장기 기억 통합을 지원하며, 외상 후 스트레스 장애(PTSD)와 정신분열증과 같은 상태에서의 해부학적 및 기능적 변화는 데이터셋의 크기와 품질과 관련이 있다.

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.

연구 동기 및 목표

• 해마를 일시적인 기억 버퍼가 아니라 뇌의 전체 감각 데이터셋을 장기 저장하는 장치로 재정의한다.
• 인공 신경망의 통찰을 생물학적 뇌 구조와 연결지어, 특히 데이터 지속성의 역할을 학습에 어떻게 적용하는지 탐구한다.
• 해마 데이터셋의 무결성과 크기의 손상으로 인한 장애 상태인 PTSD와 정신분열증을 설명한다.
• 기억 통합이 해마에 저장된 지속적이고 고해상도 데이터셋에서 온皮질 학습에 의해 이뤄진다고 제안한다.
• 기존의 해마 기능에 대한 전통적 관점을 도전하며, 해마의 역할을 일시적 인코딩이 아니라 데이터 저장으로 재정의한다.

제안 방법

• 딥 뉴럴 네트워크 원리를 활용하여 뇌의 기억 시스템을 모델링하고, 학습 과정에서 데이터에 반복 노출되는 필요성을 반영한다.
• 딥 뉴럴 네트워크의 층 구조를 뇌의 회색질과 백질의 해부학적 배열에 대응시켜, 해마를 입력 데이터 저장소로 간주한다.
• 해마와 피각 사이의 인터페이스 역할을 하는 엔토르히널 피질을 신경망의 데이터 전송 층에 비유한다.
• 전체 감각 입력을 저장한 해마 내의 '확장된 데이터셋' 개념을 도입하여, 피각 특징 학습의 근거로 삼는다.
• 해마 위축 또는 기능 장애를 데이터셋 크기 감소(행 또는 열 수 감소)로 모델링하여 병태적 상태를 분석한다.
• 정신분열증의 환각을 부족한 데이터에서 학습한 결과로 설명하며, 이는 통계적으로 취약한 연관성에 기인한다.

실험 결과

연구 질문

• RQ1 해마가 일시적 저장과 이동을 통해 장기 기억 통합을 지원하지 않는다면, 어떻게 이를 달성하는가?
• RQ2 인공 신경망의 구조와 기능이 뇌 해부학에 대응될 때, 얼마나 생물학적으로 타당한가?
• RQ3 PTSD와 정신분열증에서의 해마 위축은 뇌의 확장된 데이터셋 크기 또는 품질 감소로 설명될 수 있는가?
• RQ4 H.M.처럼 심한 선언적 기억 손실을 겪는 기억상실 환자들이 왜 정서적 기억을 유지하는가?
• RQ5 원시 데이터가 지속적으로 제공되지 않는다면, 뇌는 어떻게 피각에서 강력한 특징 학습을 달성하는가?

주요 결과

• 해마는 뇌의 완전하고 처리되지 않은 감각 데이터셋을 지속적으로 저장하는 장치로 기능하며, 이를 통해 피각 네트워크가 반복 학습할 수 있다.
• PTSD와 정신분열증에서 관찰된 해마의 해부학적 변화는 데이터셋 크기 감소와 관련이 있으며, 이는 병태적 학습 결과를 초래한다.
• PTSD에서 해마의 연관성 연결이 약화되어 분리 증상이 발생할 수 있으며, 이는 데이터셋이 얇아지면서 행 수가 줄어든 것으로 간주된다.
• 정신분열증에서 작아진 해마는 데이터셋의 열 수가 줄어들어(짧아진 데이터셋), 부족한 데이터 노출로 인해 조기이고 신뢰할 수 없는 일반화가 발생한다.
• 이 모델은 H.M.의 정서적 기억 유지 현상을 설명하기 위해, 이러한 작업이 전체 데이터셋이 필요로 하지 않으며 최소한의 데이터로도 실시간 학습이 가능하다고 제안한다.
• 이 모델은 신경망의 층 구조를 뇌의 번갈아 가며 배열된 회색질과 백질의 구조에 대응시킴으로써 딥 러닝 원리와 뇌 해부학을 조화롭게 연결한다.