1 / 19

モデルの複雑さをどう選ぶか

モデルの複雑さをどう選ぶか. 銅谷賢治 doya@atr.co.jp ATR 人間情報科学研究所 科学技術振興事業団 CREST. ニューロンモデルのいろいろ. McCulloch-Pitts — 0/1 logic circuit Connectionist — sigmoid back-propagation Transfer function — linear system control/identification theory Integrate-and-fire — 1D Ornstein-Uhlenbeck process

kaiya
Download Presentation

モデルの複雑さをどう選ぶか

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. モデルの複雑さをどう選ぶか 銅谷賢治 doya@atr.co.jp ATR 人間情報科学研究所 科学技術振興事業団 CREST

  2. ニューロンモデルのいろいろ • McCulloch-Pitts — 0/1 • logic circuit • Connectionist — sigmoid • back-propagation • Transfer function — linear • system control/identification theory • Integrate-and-fire — 1D • Ornstein-Uhlenbeck process • Phase equation — circles

  3. ニューロンモデルのいろいろ (2) • FitzHugh-Nagumo — 2D state • phase space • Hodgkin-Huxley — 4D state • voltage clamp data • more currents — ~10D • AHP, bursting • multiple compartments — ~100D? • morphological data, Ca2+ imaging • intracellular messengers — ???

  4. モデルの目的のいろいろ • 現象の説明 • burstingのメカニズムは? 北野 • 可塑性のメカニズムは? 道川 • 現象の一般化と予測 • STDPで何が起こりうるか? 加藤 • 同期／非同期の条件は? 青柳 • 計算方式の模索 • 視覚運動変換筧 • 強化学習鮫島

  5. 具体例 • 下オリーブ核ニューロンのHH型モデル • (Schweighofer, Doya, Kawato; 1999) • 多くの生理データを再現 • 計算論的意味づけ • 基底核強化学習モデル • (Nakahara, Doya, Hikosaka; 2001) • 行動データを再現 • 単純な強化学習モデルに何が足らないのか

  6. 下オリーブ核／登上線維の特性 • 非常に低い発火周波数—最高でも数Hz • in vitroでは、自発リズム活動 • 電気シナプス (gap junction) による相互結合 • →近隣細胞の同期発火 • 高速，精密な運動の学習に必要な情報を伝えられるのか？

  7. 下オリーブ核細胞のHodgkin-Huxley型モデル Dendrite Soma

  8. 膜電位、イオンチャネル、 カルシウム濃度のダイナミクス

  9. 電流刺激に対する応答 モデル （Iapp=0,-0.5,-1,-1.5 mA/㎠）実データ (Bal and McCormick 1997)

  10. ２細胞間の電気シナプス結合 • 逆相振動 非同期振動

  11. 情報伝達シミュレーション

  12. 眼球運動誤差信号のコーディング • gc=0 • gc=0.01 • gc=0.2

  13. RL Model of 2x5 Task (Nakahara et al., 2001)

  14. Learning Curves • 1st day • 3rd day • 10th day

  15. Reversed Sequence

  16. Lesion in Visual network New sequence

  17. Needs for Multiple Representations • Visual representation • Quick learning • candidates are explicitly given • Slow execution • visuo-motor transformation on every step • Motor representation • Slow learning • ill-posedness in visuo-motor mapping • Quick, automatic execution

  18. どう選べばいいのか? • 詳細なモデル • 実験データをダイレクトに取り込める • —未知パラメタの方がずっと多い • モデルフィットをいかに客観的にできるか • 単純化されたモデル • 一般的性質／可能性の探索 • —前提が間違っていると全く無意味に • 具体化への道筋をいかにつけるか

  19. Computational Neuroscience • Top-down Inference • How a functional system should be? • What computation is necessary? • What algorithms/methods are available? • Bottom-up Neurobiological Constraints • Behavioral data • Cellular/synaptic mechanisms • Molecular/genetic mechanisms

More Related