compcogneuro 翻訳ページ

compcogneuro/web: arm-maze-simulation

このページは外部資料の日本語訳です。原文の見出し順と本文順を保ち、コード・URL・出典表記はできるだけ原形のまま残しています。

種別

翻訳資料

更新日

2026-05-20

対象

外部資料を日本語で原文順に読みたい読者

目安

原文量に依存

確認メモ

機械翻訳をベースにした日本語訳です。実装手順や引用は必ず原典も確認してください。

出典とライセンス

原典: https://github.com/compcogneuro/web/blob/main/content/arm-maze-simulation.md

ライセンス: Text: CC BY 4.0; code: BSD 3-Clause。このページは日本語翻訳であり、変更点は翻訳とサイト内整形です。

+++ Categories = [“Rubicon”, “Simulations”] bibfile = “ccnlab.json” +++

このモデルは、マルチアーム迷路内のシミュレートされたラットの場合に [[Rubicon]] モデルがどのように目標主導の意思決定を示すかを調査します。各アームには異なるコストと利益のトレードオフがあり、より良い意思決定を行うために学習し、使用する必要があります。

[[@FriedmanHommaGibbEtAl15]] は、費用対効果が高い高競合症例において、背内側線条体 (ALM / dlPFC 運動計画野) への PL 投射がストリオソームの抑制性介在ニューロンを活性化し、ストリオソームを抑制することを示しています。この PL 予測を抑制することで、特に高コスト、高報酬の場合に高報酬の選択肢が増加しました。 PL をアクティブにすると逆の効果がありました。 ACC を有効にすると、全体的により高い報酬を好む傾向が高まります。

</section>