[论文解读] Brain network organization as the computational architecture of cognition

Takuya Ito, Luke J. Hearne+3 more|arXiv (Cornell University)|Jul 8, 2019

Neural dynamics and brain function参考文献 110被引用 1

一句话总结

该论文提出了一种网络编码框架，通过分布式神经活动流，计算性地解释了脑连接模式如何塑造认知表征。通过将信息传递建模为由连接性决定，该框架成功预测了梭状回面孔区的面孔选择性，表明局部功能源于由连接性指定的动力学。

ABSTRACT

Understanding neurocognitive computations will require not just localizing cognitive information distributed throughout the brain but also determining how that information got there. We review recent advances in linking (empirical and simulated) brain network organization with cognitive information processing. Building on these advances, we offer a new framework for understanding the role of connectivity in cognition - network coding (encoding/decoding) models. These models utilize connectivity to specify the transfer of information via neural activity flow processes, successfully predicting the formation of cognitive representations (e.g., face selectivity in the fusiform face area). The success of these models supports the possibility that localized neural functions mechanistically emerge (are computed) from distributed activity flow processes that are specified primarily by connectivity patterns.

研究动机与目标

• 理解认知功能如何从分布式神经活动产生，而不仅仅是局部处理的结果。
• 弥合经验性脑网络组织与认知信息处理机制之间的鸿沟。
• 开发一种计算框架，解释连接性模式如何规定神经计算。
• 检验连接性本身是否足以预测认知表征（如面孔选择性）的形成。

提出的方法

• 开发网络编码模型，模拟由脑连接性模式指定的神经活动流中的信息传递。
• 利用经验性和模拟的脑网络数据，绘制连接性如何塑造认知表征的出现过程。
• 应用编码/解码模型，预测梭状回面孔区等区域的功能特化。
• 依赖连接性作为分布式神经系统中信息流动力学的主要决定因素。
• 通过将模型输出与对人脸等刺激的实际神经反应进行比较，验证预测结果。

实验结果

研究问题

• RQ1 脑连接性模式如何产生特定的认知表征？
• RQ2 受连接性支配的分布式活动流能否解释局部神经功能的出现？
• RQ3 网络编码模型在多大程度上能够预测梭状回面孔区的面孔选择性？
• RQ4 脑网络架构在多大程度上约束或促进认知计算？

主要发现

• 网络编码模型仅基于连接性模式，成功预测了梭状回面孔区的面孔选择性。
• 认知表征的形成由连接性所指定的信息流过程解释，而不仅仅是局部计算的结果。
• 受连接性引导的分布式神经活动流能够生成功能特化的区域。
• 该框架支持了局部神经功能是通过连接性指定的动力学实现的这一假设。