Learning beyond sensations: how dreams organize neuronal representations

要約

高次感覚皮質における意味表象は、頑健かつ柔軟な行動の基礎を形成する。これらの表象は、発達の過程で教師なしで獲得され、生物の寿命を通じて継続的に維持される。予測学習理論では、これらの表象は感覚入力を予測または再構築することで出現すると提唱している。しかし、脳は、想像や夢を見ているときなど、以前に経験した入力を超えた仮想体験を生成することが知られている。ここでは、大脳皮質の表象を形成する上で、仮想体験が実際の感覚入力と同様に重要である可能性を示唆する。特に、仮想体験の生成を通じて表象を組織化する2つの相補的な学習原理について論じる。第一に、「敵対的な夢想」は、創造的な夢が、フィードバック経路とフィードフォワード経路が互いに騙そうとする生産的なゲームを行う敵対的学習の皮質実装をサポートすることを提案する。第二に、「対照的な夢想」は、無関係な変動要因に対する神経細胞表象の不変性は、対照的な学習過程を経て、類似した仮想体験を一緒にマッピングしようとすることによって獲得されると提唱している。これらの原理は、既知の皮質の構造とダイナミクス、そして睡眠の現象論と適合するものであり、古典的な予測学習パラダイムを超えて、皮質の学習を説明する有望な方向性を提供するものである。

要約(オリジナル)

Semantic representations in higher sensory cortices form the basis for robust, yet flexible behavior. These representations are acquired over the course of development in an unsupervised fashion and continuously maintained over an organism’s lifespan. Predictive learning theories propose that these representations emerge from predicting or reconstructing sensory inputs. However, brains are known to generate virtual experiences, such as during imagination and dreaming, that go beyond previously experienced inputs. Here, we suggest that virtual experiences may be just as relevant as actual sensory inputs in shaping cortical representations.In particular, we discuss two complementary learning principles that organize representations through the generation of virtual experiences. First, ‘adversarial dreaming’ proposes that creative dreams support a cortical implementation of adversarial learning in which feedback and feedforward pathways engage in a productive game of trying to fool each other. Second, ‘contrastive dreaming’ proposes that the invariance of neuronal representations to irrelevant factors of variation is acquired by trying to map similar virtual experiences together via a contrastive learning process. These principles are compatible with known cortical structure and dynamics and the phenomenology of sleep thus providing promising directions to explain cortical learning beyond the classical predictive learning paradigm.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL