[论文解读] Generalisation of structural knowledge in the hippocampal-entorhinal system

James C. R. Whittington, Timothy Müller+3 more|arXiv (Cornell University)|May 23, 2018

Memory and Neural MechanismsNeuroscience参考文献 24被引用 22

一句话总结

本文提出，大脑中结构知识的泛化源于将空间结构与感官刺激分离，通过内嗅皮层中的分层网格状表征以及将结构与感官输入绑定的联合性 place-cell 编码机制实现。在人工神经网络中，该机制实现了零样本推理与分层记忆寻址，实验数据证实，不同环境中网格细胞与 place 细胞的关系保持不变——支持了结构泛化的统一基础。

ABSTRACT

A central problem to understanding intelligence is the concept of generalisation. This allows previously learnt structure to be exploited to solve tasks in novel situations differing in their particularities. We take inspiration from neuroscience, specifically the hippocampal-entorhinal system known to be important for generalisation. We propose that to generalise structural knowledge, the representations of the structure of the world, i.e. how entities in the world relate to each other, need to be separated from representations of the entities themselves. We show, under these principles, artificial neural networks embedded with hierarchy and fast Hebbian memory, can learn the statistics of memories and generalise structural knowledge. Spatial neuronal representations mirroring those found in the brain emerge, suggesting spatial cognition is an instance of more general organising principles. We further unify many entorhinal cell types as basis functions for constructing transition graphs, and show these representations effectively utilise memories. We experimentally support model assumptions, showing a preserved relationship between entorhinal grid and hippocampal place cells across environments.

研究动机与目标

• 理解海马-内嗅系统如何在新情境下实现结构知识的泛化。
• 解决人工智能中仅学习统计模式而缺乏显式结构抽象的局限性。
• 将多种内嗅皮层神经元类型（网格、边界、物体向量）统一为转移统计的基函数。
• 检验 place 细胞重映射是否非随机，且与结构知识一致，而非随机或纯粹由刺激驱动。
• 证明人工神经网络中分层的无监督学习可生成支持零样本推理与记忆寻址的类脑表征。

提出的方法

• 模型使用在纯无监督方式下训练的人工神经网络，用于预测具有结构化连通性的二维图世界中的感官观测。
• 内嗅层中涌现出网格状表征，作为转移统计的基函数，编码图结构的潜在几何特征。
• place 细胞通过将基于网格的结构编码与感官输入结合，形成联合性赫布记忆，实现快速、情境特定的关联。
• 分层架构实现高效的组合编码，使系统能够泛化到未见过的图结构。
• 模型使用快速赫布学习，以维持感官刺激与结构表征之间的短期关联。
• 实验验证通过计算 gridAtPlace 和 minDist 指标，量化不同环境中的网格-地方细胞关系，并与随机数据的零分布进行比较。

实验结果

研究问题

• RQ1 能否通过在神经系统中将结构知识与感官刺激分离，实现其泛化？
• RQ2 网格细胞在不同环境中是否保持与 place 细胞的关系，表明结构的一致性？
• RQ3 place 细胞重映射是否非随机，且与潜在结构知识一致，而非纯粹由感官驱动？
• RQ4 具有分层赫布记忆的人工神经网络能否在无监督条件下学习泛化结构统计？
• RQ5 统一的基函数（如网格、边界、物体向量细胞）是否共同以支持泛化的方式表征转移统计？

主要发现

• gridAtPlace 测量显示，在不同环境中 place 细胞与网格细胞之间存在显著相关性（p < 0.005），表明功能关系得以保留。
• 最小距离（minDist）测量在不同环境中也表现出显著相关性，支持非随机的重映射。
• 不同环境中网格细胞活动模式的相关性得以保持（p < 0.001），表明结构表征的稳定性。
• 模型生成的发放率图再现了观察到的网格细胞与 place 细胞之间 0.3–0.35 的相关性，与实证数据一致。
• 在数据和模型中，网格细胞相关性矩阵在不同环境中均显著相关，证实了结构不变性。
• 结果支持 place 细胞以非随机、结构一致的方式重映射，验证了模型核心假设中联合编码的有效性。