compcogneuro/web: network

+++ Categories = [“Computation”] bibfile = “ccnlab.json” +++ 脳内で相互接続された [[neuron]] の網は ネットワーク として知られており、これらのネットワーク内で発生する重要な [[emergent]] 現象は、[[neocortex]] に存在するさまざまな接続パターンに関連付けられています。私たちは、これらのネットワークとニューロンの集団の観点からのみ、脳の機能を実際に理解することができます。

感覚入力に近い下位層のニューロンから上位層までのニューロン活動の「フィードフォワード」フローは、[[categorization]] の観点から理解できます。[[categorization]] では、詳細な感覚パターンが、行動に対してより効率的な [[linear algebra#basis space]] を提供する、より抽象的なカテゴリに体系的に変換されます。

したがって、ネットワークレベルの分析は、[[representation]] の性質、つまりネットワークの特定の領域におけるニューロン発火パターンの特性に焦点を当てます。 [[Distributed representations]] は、[[combinatorial-vs-conjunctive]] エンコードの説明で詳しく説明されているように、高次元情報を効率的にエンコードするために重要です。これらのさまざまなタイプの表現は、システムが新しい入力や状況をどれだけうまく処理できるかという、[[generalization]] のパフォーマンスに重要な影響を及ぼします。

[[Bidirectional connectivity]] により、[[attractor dynamics]] (トップダウン画像や曖昧さの解決など) や、現在の入力とシナプス重みにエンコードされた事前学習知識から制約を最もよく満たす表現を見つけることを含む複数の [[constraint satisfaction]] を含む、追加の創発現象の発生が可能になります。制約を満たすプロセスは、表現空間を介した [[search]] の効率的な、専用並列、勾配ベースの形式であり、純粋なフィードフォワード アクティベーション フローに対して [[optimized representations]] を提供します。

双方向の興奮性接続には、新皮質の抑制性介在ニューロンの広範なネットワークと一致して、潜在的な暴走正フィードバック ループを制御する [[inhibition]] が必要です。抑制は、[[attention]] の重要な特徴である、異なる表現間の競争を課すのにも有益です。

リンク

[[Intro Book]] の次: [[categorization]]