Cell|機器學習通過對海馬結構的泛化來整合空間和關聯記憶

2021-01-09 BioArt生物藝術

撰文 | Qi

人類和其他動物能夠從零碎的觀察中得出複雜的推論,並迅速整合新知識來控制其行為,這些表現與海馬-內嗅系統(hippocampal-entorhinal system)對於空間和關聯記憶的調控密不可分。在上世紀四十年代,美國心理學家愛德華·託爾曼(Edward Chase Tolman)首次提出,在執行空間任務時,大鼠以及人類行為均依賴於海馬體繪製的「認知地圖」【1】。儘管有人猜測這種空間推理可能與關聯記憶受到同一機制調控,但截至目前尚未有證據證明這一機制的存在以及解釋看似明顯定製的空間神經元類型的多樣性。因此,通過重現空間和關聯記憶問題作為結構抽象和泛化的示例以解釋海馬體的一系列屬性顯得尤為重要。

結構泛化為新穎學習和靈活推理提供巨大便利,也是人工智慧的關鍵問題。一種方式是「因式分解」,即將複雜運算轉變為基本運算,拆分為不同方面進而重新組合以代表新體驗,從每種體驗的內容中分析相互之間的關係,再將這種結構化知識推廣到其他新情況。值得注意的是,來自美國波士頓大學的霍華德·艾興鮑姆(Howard Eichenbaum)教授曾證明在外側和內側內嗅皮層的感覺和空間表徵之間恰好存在這樣的「因式分解」關係【2】。在先前認定的海馬中負責「GPS導航」的「位置細胞」和「網格細胞」外,霍華德教授進一步發現海馬體存在一群「時間細胞」,在某一特定時間出現特定的神經元活動模式,由此可見,海馬體像一位「時空記憶工程師」,在不同維度上編碼和存儲我們的記憶,並通過某一機制產生重新映射以適應新情況。

近日,來自英國牛津大學的James C.R. Whittington 課題組在Cell雜誌上發表了一篇題為 The Tolman-Eichenbaum Machine: Unifying Space and Relational Memory through Generalization in the Hippocampal Formation的文章,作者證明通過分解和重組的方法足以構建一個關聯記憶系統(The Tolman-Eichenbaum Machine),該系統概括了空間和非空間的結構知識,預測了在空間和關聯記憶任務中觀察到的廣泛的神經元表現,並解釋了在海馬和內嗅皮層中的重新映射現象。

為了解決海馬體空間和關聯記憶的機制問題,首先需要命令智能體在經歷許多具有不同感官觀察的圖並學習它們的共同關係結構之後,要最大化其在新圖上的每次轉換之後預測下一個感官觀察的能力。簡約的解決方案將反映每個任務都是由兩個因素組成的事實,即圖形結構和感官觀察,如果知道關係結構,那麼即使經過以前從未經歷過的路徑,也可以知道自己的相對位置。基於此,作者在這項研究中建立了關聯記憶模型,並命名為「The Tolman-Eichenbaum Machine, TEM」,以紀念愛德華·託爾曼和霍華德·艾興鮑姆兩位教授在海馬體認知理論中的重要貢獻。

圖1. The Tolman-Eichenbaum Machine示意圖

接下來,在對模型完成訓練後,TEM無需任何額外經驗即可立即在新的傳遞推理任務中完成推理。例如,在顯示了諸如A> B> C> D> E之類的序列後,無論特定的感官身份如何(例如A,B,C,D,E或貓,狗,大象,狐狸,獾),當被問及「比E多3的是什麼」,TEM則會立刻返回至B。類似的,在社會等級任務中,TEM也可以推斷出從未見過的關係,例如,Bob是Fran的母親的兄弟,當被問及「誰是Bob的侄女」,TEM會立刻回答出「Fran」。在這兩種情況下,TEM都能正確回答之前沒有看到任務的特定感官細節,因為它已經經歷了可以從中學習和概括的相似關係結構,可以證實TEM能夠推廣到新型感官環境當中。

隨後,作者進一步證明TEM用網格細胞表示結構且通用於不同環境,在這之間通過重新映射的位置細胞抽象表示形成記憶。當表示環境的轉變統計信息時,TEM的內嗅皮層隨網格細胞和其他內嗅皮層抽象表示任意組合對象的矢量細胞的抽象表示,且在跨不同環境重新映射時,海馬位置細胞仍能保留它們與內嗅皮層網格細胞的關係。那麼這種關係如何在複雜的非空間任務中發揮作用呢?作者結合了最新一項研究發現【3】,小鼠在迷宮模型中每跑四圈便可獲得獎勵,海馬體的位置細胞代表了在跑道上的空間位置;部分神經元具有空間選擇性,僅在其中一圈放電;部分神經元的放電根據圈數的不同而有所變化。因此,海馬細胞可以維持空間和非空間「圈數」的複雜組合表示。作者通過對TEM進行訓練並能學習海馬體的這三種表示形式,且TEM內嗅細胞可以學會在認知抽象的多個水平上同時代表任務,而海馬細胞可以反映它們與感覺體驗的結合。最後,作者進一步證實TEM能夠完成多種未知情況的預測。

圖2. TEM可以代表非空間強化學習任務

建立從計算到細胞活動再到行為的理解是神經科學的中心目標,這項工作通過形式化關係抽象的問題,使用因式分解和表示形式的結合,有可能將空間推論作為關係記憶的一種特殊情況加以解釋。儘管如此,TEM的目的是在計算水平上提供見識和解釋,這樣做卻忽略了許多已知的海馬結構的生物物理和解剖特性。但總的來說,以託爾曼和艾欽鮑姆對認知理論的貢獻而命名的「Tolman-Eichenbaum machine」,在為海馬在空間和非空間泛化中的作用提供了統一的框架,並整合了許多內嗅和海馬細胞類型的原理。

原文連結:

https://doi.org/10.1016/j.cell.2020.10.024

參考文獻

1. Tolman, E.C. (1948). Cognitive maps in rats and men. Psychol. Rev. 55, 189–208.

2. Manns, J.R., and Eichenbaum, H. (2006). Evolution of declarative memory. Hippocampus16, 795–808.

3. Sun, C., Yang, W., Martin, J., and Tonegawa, S. (2020). Hippocampal neurons represent events as transferable units of experience.Nat. Neurosci. 23, 651–663.

相關焦點

  • TEM可統一空間和關係記憶
    TEM可統一空間和關係記憶 作者:小柯機器人 發布時間:2020/11/14 17:44:26 英國牛津大學James C.R. Whittington研究組取得最新進展。
  • 海馬體啟發的記憶模型
    記憶是人類智能的關鍵,我們因為記憶可以把過去和當下整合成為一體, 並且可以預測未來。記憶不僅是一個信息承載的工具, 更是世界模型的本體, 它無時無刻不在刻畫未來, 也被當下影響, 可以說, 沒有記憶,就沒有智能。
  • 海馬位置細胞的靶向激活驅動記憶引導的空間行為
    海馬位置細胞的靶向激活驅動記憶引導的空間行為 作者:小柯機器人 發布時間:2020/11/9 22:21:00 英國倫敦大學學院Michael Häusser、Nick T.M.
  • 海馬體what where記憶推理模型
    這允許以前學過的結構被利用來解決在其特殊性不同的新情況下的任務。我們從神經科學中獲得靈感,特別是海馬 - 內嗅系統(包含地點和網格單元),這對於泛化非常重要。我們建議將結構知識,世界結構的表示,即世界中的實體如何相互關聯,需要與實體本身的表示分離。
  • 機器學習的本質:理解泛化的新觀點
    然而翻開機器學習的典籍,關於泛化和過擬合的理解,卻非常零碎,表面化。2,即使機器學習傳統的正則方法,也看起來矛盾重重,比如很多模型都沒有使得模型更簡單而是更複雜,卻同樣能夠減少範化誤差。         一種更好的理解方法是,機器學習裡說的泛化誤差和物理裡的熵最大有一種深刻的聯繫。如果有一個實際觀測,有一個模型空間, 這個模型空間的每個模型都代表著我們對真實數據生成過程的一種模擬。
  • Nat Rev Neurosci:海馬齒狀迴環路與情景記憶的編碼、提取和分辨
    情景記憶,是關於描述獨特的經歷記憶,將對象和事件與它們所處的空間和時間環境聯繫起來。人和動物的海馬神經元活動表現出了獨特的記憶元素,例如個體、位置以及它們之間的關聯。圖1:海馬的結構(左:人腦;右:鼠腦)以及DG區微環路示意圖目前已提出了DG相關的幾種記憶功能,包括模式分離(pattern separation)、模式完成(pattern completion)、新奇檢測、空間環境和信息的結合,以及工作記憶
  • 研究描述海馬結構亞細胞中VTC
    研究描述海馬結構亞細胞中VTC 作者:小柯機器人 發布時間:2020/12/25 0:05:08 英國杜倫大學Colin Lever和英國倫敦大學學院細胞與發育生物學系Thomas J.
  • Cell:小膠質細胞通過吞噬胞外基質為新的突觸形成讓出空間
    圖片來自Cell, 2020, doi:10.1016/j.cell.2020.05.050。近年來,科學家們已發現,大腦中專門的免疫細胞,即所謂的小膠質細胞,可以幫助去除神經元之間不必要的連接,可能是通過吞噬突觸並將其分解來實現的。
  • 記憶來自何處?大腦裡的那一隻海馬
    那,記憶在哪裡? 在公元前,亞里斯多德認為在人的心臟裡,而希波克拉底認為是在人的腦裡(1)。再到十九世紀中旬,加拿大醫生斯克維爾和米爾納為了治療一位病人的癲癇發作而切除了他大腦中海馬的一部分,術後,病人記不住新發生的事情,也忘記了手術前一段時間內發生的所有事情(2),自此,腦裡的這個小小的結構便與記憶聯繫在了一起。
  • 研究揭示海馬和前額葉皮層的抽象幾何
    研究揭示海馬和前額葉皮層的抽象幾何 作者:小柯機器人 發布時間:2020/10/15 16:24:38 美國哥倫比亞大學C.
  • 科學家發現肥胖「傷腦」的機制,通過腸菌代謝影響記憶能力
    不過,記憶能力的下降可並不是衰老的「專利」,有損記憶和其他認知功能的因素很多,肥胖也是其中一個。近期的《細胞代謝》雜誌上,來自西班牙的科研團隊對比了肥胖者和非肥胖者的記憶功能差異,並與大腦結構和腸道微生物組進行了關聯分析,結果發現,腸道微生物的芳香族胺基酸代謝物與大腦的記憶功能有關,肥胖可通過這一機制損害記憶功能[1]。
  • 如何理解和評價機器學習中的表達能力、訓練難度和泛化性能
    近些年含離散變量的模型在各種結構中都有出現,從對抗式生成網絡到語言模型到記憶增強網絡到強化學習。從模型的表達能力的角度來看離散的表示是非常有用的,而且我們現在可以非常可靠地訓練這些模型。不幸的是, 即使在僅僅考慮可訓練性,不考慮泛化的情況下, 強化學習也遠遠地落在了後面。
  • Science連發3篇論文:記憶提取機製取得重大進展,關於海馬尖波漣漪
    大量的研究一致表明,海馬在其中扮演了至關重要的作用。海馬結構異常或者切除海馬都會導致情景記憶受損。著名的雙側海馬切除的癲癇病人H.M.在術後無法形成新的情景記憶。海馬硬化或者萎縮也是在家門口迷路的阿爾茨海默症患者的一種重要臨床診斷指標。
  • 頂刊腦訊-第46周 長時程記憶的基因表達機制
    為了感知環境並與其互動,我們必須在大腦中結合已存儲的經驗和個人當前目標來解碼這些感覺信號。來自德國的科學家團隊確定了丘腦是編碼過去經驗的關鍵腦區。感覺皮層是記憶的重要基礎,儘管其與丘腦有很強的聯繫,但丘腦在記憶中的直接作用還不清楚。
  • 腦科學頂刊導讀44期,學習與記憶專題(PNAS、Current Biology)
    頂刊導讀目錄 1,樣本學習揭示了專家類別知覺的表徵起源 2,前額葉-海馬功能連接編碼識別記憶,並在智力殘疾中受損 3,共同的任務結構將不同類型的記憶的命運聯繫在一起4,情景貧乏型記憶的非適應性特徵 5,苯丙胺敏化會改變海馬神經元的形態、記憶和學習行為 1,樣本學習揭示了專家類別知覺的表徵起源
  • 海馬CA2銳波波動重新激活並促進社交記憶
    海馬CA2銳波波動重新激活並促進社交記憶 作者:小柯機器人 發布時間:2020/9/24 11:41:51 美國哥倫比亞大學Steven A.
  • Cell·女朋友走丟了,大腦GPS這樣操作?科學家揭示記憶如何支撐大腦...
    首先大腦會搜索出與目的地B的海馬位置細胞,並啟動它,隨後另外一種能夠產生坐標體系的網格細胞開始工作,進行精確定位與路徑搜尋,並找到最短路逕到達目的地。這樣海馬的位置細胞和內嗅皮層的網格細胞形成大腦獨特的GPS定位系統,當該系統受損嚴重後,出門了可能就回不來了,典型的案例就是老年痴呆症。
  • 機器學習算法盤點:人工神經網絡、深度學習
    這裡我們將為您總結一下常見的機器學習算法,以供您在工作和學習中參考。   機器學習的算法很多。很多時候困惑人們都是,很多算法是一類算法,而有些算法又是從其他算法中延伸出來的。這裡,我們從兩個方面來給大家介紹,第一個方面是學習的方式,第二個方面是算法的類似性。   學習方式   根據數據類型的不同,對一個問題的建模有不同的方式。
  • 海馬神經元群體活動如何編碼位置信息?用機器學習來加速解碼
    越來越多的研究發現,在包括海馬和內嗅皮層在內的許多大腦區域中,神經反應是非常多樣化的,並且隨時間變化很大;比如,位置細胞可能以有序(網格細胞)或無序的方式在單個或多個位置做出響應,並且多次通過同一位置通常會引起不同的響應。