[论文解读] 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 5

一句话总结

本文提出海马体作为大脑‘扩展数据集’的生物存储设备——即感官经验的完整、未经处理的记录——使新皮层能够通过反复暴露学习高层级、泛化的特征。该研究借鉴深度学习原理，认为海马体通过保存原始数据支持长期记忆巩固，而创伤后应激障碍（PTSD）和精神分裂症等疾病中的结构与功能改变，与数据集的大小和质量相关。

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.

研究动机与目标

• 将海马体重新定义为并非短暂记忆缓冲区，而是大脑完整感官数据集的长期存储设备。
• 弥合人工神经网络的洞见与生物脑架构之间的鸿沟，尤其关注数据持久性在学习中的作用。
• 通过海马体数据集完整性和大小的破坏，解释如PTSD和精神分裂症等病理状态。
• 提出记忆巩固是由新皮层从海马体中持久存储的高保真数据集中学习驱动的。
• 通过将海马体的角色重新定义为数据存储而非短暂编码，挑战传统对海马体在记忆中作用的看法。

提出的方法

• 使用深度神经网络的原理建模大脑的记忆系统，特别是学习过程中对数据反复暴露的需求。
• 将深度神经网络的分层结构映射到大脑灰质与白质的解剖排列，其中海马体代表输入数据的存储库。
• 提出内嗅皮层作为海马体与新皮层之间的接口，类似于神经网络中的数据传输层。
• 使用‘扩展数据集’的概念来表示储存在海马体中的全部感官输入，新皮层的特征即由此学习而来。
• 通过将海马体萎缩或 dysfunc ̊tion 模型化为数据集大小的减少（行数或列数减少），分析病理状态，导致皮层学习不可靠。
• 将精神分裂症中的妄想视为因数据不足（数据集变短）导致的统计上脆弱的关联结果。

实验结果

研究问题

• RQ1 如果海马体并非通过短暂存储和传输，它如何支持长期记忆巩固？
• RQ2 当人工神经网络的结构与功能映射到脑部解剖结构时，其生物合理性在多大程度上成立？
• RQ3 能否用大脑扩展数据集的大小或质量减少来解释PTSD和精神分裂症中的海马体萎缩？
• RQ4 为何像H.M.这样的失忆患者尽管有严重的陈述性记忆缺陷，仍能保留程序性学习能力？
• RQ5 如果原始数据不能持久存在，大脑如何实现在新皮层中的鲁棒特征学习？

主要发现

• 海马体作为大脑完整、未经处理的感官数据集的持久存储设备，使皮层网络能够反复学习。
• 在PTSD和精神分裂症中观察到的海马体结构改变，与数据集大小减少相关，导致病理性的学习结果。
• 在PTSD中，解离症状可能源于海马体中关联链接的削弱，实际上等同于数据集变薄（行数减少）。
• 在精神分裂症中，较小的海马体可能导致数据集变短（列数减少），因数据暴露不足而引发过早且不可靠的泛化。
• 该模型通过假设此类任务无需完整数据集，允许以极少数据即时学习，解释了H.M.的程序性学习能力得以保留。
• 该模型通过将神经网络的层映射到大脑灰质与白质交替排列的结构，调和了深度学习原理与脑部解剖学。