[论文解读] 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 3

一句话总结

本文提出了一种皮层认知的神经网络模型，通过内部智能体中的分层门控矩阵检测并预测感官输入中的关系结构。通过建模动态关系和仿射变换，该框架成功预测序列并解决如瑞文渐进矩阵等抽象推理任务，展示了新皮层中灵活、预测性认知的生物合理机制。

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.

研究动机与目标

• 开发一种新皮层中灵活、预测性认知的神经生物学合理框架。
• 解释神经回路如何检测并表征感官特征与时间序列之间的系统性关系。
• 将内部认知过程建模为控制连接模式的门控智能体之间的动态交互。
• 将该模型应用于序列预测和抽象推理问题中的变换推理等预测任务。
• 证明分层门控关系表征可支持人类问题解决中所见的高级认知功能。

提出的方法

• 该模型采用代表神经种群的内部智能体，并使用门控矩阵控制其间的连接。
• 门控矩阵被动态调制以表征神经种群之间的功能关系，从而实现对未来的状态预测。
• 该框架使用列向量表示状态，并通过矩阵运算建模分层交互。
• 感官输入之间的关系被编码为基于上下文和预测信号进行门控的连接模式。
• 该模型适用于时间序列和静态刺激关系，包括仿射变换。
• 通过序列延续和解决瑞文渐进矩阵等任务评估预测性能。

实验结果

研究问题

• RQ1 神经回路如何检测并表征感官输入各组成部分之间的系统性关系？
• RQ2 大脑基于当前感官输入和关系结构，通过何种机制实现对未来的状态预测？
• RQ3 门控矩阵的分层交互如何支持灵活、上下文依赖的认知处理？
• RQ4 一个生物合理的神经模型能否解决如瑞文渐进矩阵等抽象推理任务？
• RQ5 动态门控机制如何实现对关系结构中变换的预测？

主要发现

• 该模型通过关系表征的分层门控，成功预测了序列感官输入中的动态轨迹。
• 它通过学习到的连接模式，准确地建模了静态感官刺激特征之间的内部关系。
• 该框架能够推断并应用仿射变换，这对于解决瑞文渐进矩阵等抽象推理问题至关重要。
• 使用列向量和简化的符号表示提高了神经状态转换建模的清晰度和一致性。
• 该模型表明，内部门控智能体可利用生物合理的机制模拟预测和关系推理等认知功能。
• 修订版（v2）在不改变核心结果的前提下，提高了数学表达的清晰度并修正了拼写错误。