Implementing engrams from a machine learning perspective: the relevance of a latent space

要約

私たちの以前の研究では、脳内のエングラムをリカレント ニューラル ネットワーク上のオートエンコーダーとして生物学的に実装できることを提案しました。
これらのオートエンコーダーは、単純な恒常性基準に由来するクレジット割り当てを伴う、基本的な興奮性/抑制性モチーフから構成されます。
この簡単なメモでは、これらのオートエンコーダーの潜在空間の関連性を検証します。
これらのオートエンコーダーの次元とエンコードされる情報の複雑さとの関係を検討します。
コネクトームにおいて観察された種間の違いがどのようにして認知能力に結びつくのかについて議論します。
最後に、この分析を基本的だが見落とされがちな事実と結び付けます。それは、人間の認知はおそらく私たち自身の脳の構造によって制限されているということです。
ただし、この制限は機械学習システムには適用されないため、この拡張された自然のビジョンを活用する方法を学ぶ必要があることに注意する必要があります。

要約(オリジナル)

In our previous work, we proposed that engrams in the brain could be biologically implemented as autoencoders over recurrent neural networks. These autoencoders would comprise basic excitatory/inhibitory motifs, with credit assignment deriving from a simple homeostatic criterion. This brief note examines the relevance of the latent space in these autoencoders. We consider the relationship between the dimensionality of these autoencoders and the complexity of the information being encoded. We discuss how observed differences between species in their connectome could be linked to their cognitive capacities. Finally, we link this analysis with a basic but often overlooked fact: human cognition is likely limited by our own brain structure. However, this limitation does not apply to machine learning systems, and we should be aware of the need to learn how to exploit this augmented vision of the nature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google