[论文解读] Space is a latent sequence: Structured sequence learning as a unified theory of representation in the hippocampus

Rajkumar Vasudeva Raju, J. Swaroop Guntupalli+3 more|arXiv (Cornell University)|Dec 3, 2022

Memory and Neural Mechanisms被引用 7

一句话总结

本文提出海马体通过结构化序列学习生成空间与概念表征，将空间视为潜在序列而非几何地图。通过克隆结构因果图（CSCG），模型在无欧几里得假设的前提下，从自身中心感官输入中学习潜在表征，统一解释了多种海马现象——包括位置细胞、地标向量细胞及事件特异性编码——其机制为高阶序列上下文学习。

ABSTRACT

Fascinating and puzzling phenomena, such as landmark vector cells, splitter cells, and event-specific representations to name a few, are regularly discovered in the hippocampus. Without a unifying principle that can explain these divergent observations, each experiment seemingly discovers a new anomaly or coding type. Here, we provide a unifying principle that the mental representation of space is an emergent property of latent higher-order sequence learning. Treating space as a sequence resolves myriad phenomena, and suggests that the place-field mapping methodology where sequential neuron responses are interpreted in spatial and Euclidean terms might itself be a source of anomalies. Our model, called Clone-structured Causal Graph (CSCG), uses a specific higher-order graph scaffolding to learn latent representations by mapping sensory inputs to unique contexts. Learning to compress sequential and episodic experiences using CSCGs result in the emergence of cognitive maps - mental representations of spatial and conceptual relationships in an environment that are suited for planning, introspection, consolidation, and abstraction. We demonstrate that over a dozen different hippocampal phenomena, ranging from those reported in classic experiments to the most recent ones, are succinctly and mechanistically explained by our model.

研究动机与目标

• 解决长期存在的谜题：即多种看似无关的海马细胞类型（如位置细胞、分裂细胞、时间细胞）是否可由统一的计算原理解释。
• 挑战将 place fields 视为直接空间地图的传统解释，主张其源于序列上下文学习。
• 证明空间与关系表征可从纯粹的自身中心感官-运动序列中产生，而无需预先假设欧几里得几何。
• 提供一个机制性、计算基础扎实的模型，使用单一框架解释十余种海马现象。

提出的方法

• 模型采用克隆结构因果图（CSCG），一种高阶图模型，通过学习潜在状态（克隆）来表示同一观测在不同序列上下文中的表征。
• 每个克隆对应观测与序列上下文的独特组合，使模型能根据时间动态分裂或合并表征。
• 模型使用信念传播在序列链结构上进行精确推断，通过转移矩阵与发射概率计算克隆激活的边缘后验概率。
• 关键方程将克隆激活计算为 $ r_i(n) = P(z_n = i | x_1,\text{...},x_n, a_1,\text{...},a_{n-1}) $，并通过 $ r(n) = \bar{r}(n) / \sum_i \bar{r}_i(n) $ 进行归一化，其中 $ \bar{r}(n) = \mathbf{T}(a_{n-1})^\top r(n-1) \circ (E\tilde{x}_n) $。
• 模型在动作序列与离散化观测（通过向量量化获得）上进行训练，学习反映环境真实结构的潜在图拓扑。
• 通过在多个随机游走中平均克隆激活，计算 place fields，并利用真实代理位置将克隆活动映射至空间位置。

实验结果

研究问题

• RQ1 单一计算机制是否能解释多种海马细胞类型（如位置细胞、地标向量细胞、分裂细胞）的涌现？
• RQ2 将 place fields 视为空间地图的传统解释，在多大程度上掩盖了海马表征的真实序列本质？
• RQ3 在不假设欧几里得几何的前提下，如何从纯粹的自身中心感官-运动序列中产生共观空间表征？
• RQ4 在环境变化下，place fields 何时发生重映射？这一现象如何由基于序列的学习机制解释？
• RQ5 统一模型能否同时解释空间与非空间海马现象，如事件特异性编码与关系推理？

主要发现

• CSCG 模型在分配坐标与自身中心设置下，成功学习了 7×7 网格环境的正确拓扑结构，分别对应 9 个与 117 个唯一观测。
• 在自身中心设置下，每个空间位置由四个克隆表示，对应四种可能朝向，证明了模型编码方向上下文的能力。
• place fields 自然地从模型的克隆激活中涌现，其空间调谐模式与经验观察一致，无需显式空间坐标。
• 通过分析序列上下文如何改变克隆转移与激活，模型解释了环境变化下 place fields 的重映射。
• 模型通过单一机制——高阶序列学习——解释了广泛的海马现象，包括地标向量细胞、时间细胞与事件特异性表征。
• 信念传播在 CSCG 中实现精确推断，确保克隆激活概率以数学精度计算，支持可靠的心理地图构建。