抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
複雑なネットワークの性能を改善するために,脳がどのようにシナプスを修飾するかは,神経科学における最大の myの1つである。正準モデルは,シナプス重み変化を,シナプス前およびシナプス後活動(即ち,局所可塑性規則)に従って推定し,勾配-日光アルゴリズムを実行する。しかし,これらのモデルを確認する実験的証拠の欠如は,これらのモデルによって無視される重要な成分があることを示唆する。例えば,ヘテロシナプス可塑性,細胞間シグナル伝達経路によって媒介される非局所規則,および大規模ニューラルネットワークを首尾よく訓練する他の機械学習パラダイムである進化アルゴリズム(EA)の生物学的実装は,ほとんど調査されていない。ここでは,非局所ルールのみによる脳学習のEAモデルを提案し,系統的に検討した。具体的には,エージェントの集団を,脳における異なる情報経路によって表現し,そのタスク性能を,交互に個々の経路におけるゲーティングを通して評価した。薬剤の選択と生殖はドーパミン誘導ヘテロシナプス可塑性により実現される。EAモデルは,ドーパミンの生物学的機能,樹状突起棘のメタ可塑性,記憶再生,および新しいおよびコヒーレントな側面から樹状突起近傍内のシナプス間の協調可塑性を再解釈するためのフレームワークを提供する。このモデルで訓練されたニューラルネットワークは認知タスクにおいて脳に対して類似の動力学を示す。このEAモデルは,反復またはフィードフォワードアーキテクチャを有するスパイクまたはアナログニューラルネットワークを訓練する広い能力を示す。EAモデルはまた,勾配ベース法により訓練された連続重みネットワークに匹敵する性能で,MNIST分類とAtari-ゲームプレイタスクにおいて,生物学的に妥当なバイナリ重みを持つ深いネットワークを訓練するその強力な能力を実証する。全体として,本研究は,局所規則と勾配ベースアルゴリズムによって探索された脳学習機構の新鮮な理解を導く。【JST・京大機械翻訳】